باب چہارم: زرعی سیاق و سباق میں مصنوعی ذہانت کے طریقے

حصہ دوم — مصنوعی ذہانت اور ڈیٹا کی بنیادیں

اس حصے کا سوال: کسی مصنوعی ذہانت کے نظام کے اندر اُس لمحے سے کیا ہوتا ہے جب وہ ڈیٹا وصول کرتا ہے یہاں تک کہ اس کا جواب یا سفارش کسان تک پہنچتی ہے؟

جب کوئی ذہین نظام آبپاشی کا وقت تجویز کرتا ہے، پودے کے پتے کو متاثر کرنے والی کسی بیماری کی نشاندہی کرتا ہے، یا پیداوار کی پیشگوئی کرتا ہے، تو ایسا لگ سکتا ہے کہ جواب یکایک سکرین پر نمودار ہو گیا۔ حالانکہ وہ جواب ایک طویل سفر کا آخری پڑاؤ ہے جسے صارف نہیں دیکھتا: اس کا آغاز کھیت، سیٹلائٹ، یا ماضی کے ریکارڈوں سے جمع کیے گئے ڈیٹا سے ہوتا ہے، پھر وہ پیمائش، صفائی، درجہ بندی، اور تجزیے سے گزرتا ہے، اس سے پہلے کہ وہ کوئی پیشگوئی، سفارش، یا تنبیہ بنے۔ عوامی مباحثے میں مصنوعی ذہانت کو بعض اوقات یوں پیش کیا جاتا ہے گویا وہ ایک واحد ذہن ہو جو ہر صورت حال میں سمجھنے اور فیصلہ کرنے کے قابل ہے۔ حقیقت میں وہ ایک آلہ نہیں، بلکہ طریقوں اور ماڈلوں کے کئی خاندان ہیں، جن میں سے ہر ایک مخصوص کاموں کے لیے ڈیزائن کیا گیا ہے۔ جو آلہ پودے کے پتے کی تصویر کا تجزیہ کرتا ہے وہ اُس آلے جیسا نہیں جو فصل کی پیداوار کی پیشگوئی کرتا ہے؛ اور وہ نظام جو ہزاروں دستاویزات سے معلومات نکالتا ہے اُسی طرح کام نہیں کرتا جیسے وہ نظام جو یہ طے کرتا ہے کہ آبپاشی کب کرنی ہے۔ ہر طریقے کی قوتیں ہیں، ایسے مفروضے جن پر وہ انحصار کرتا ہے، ایسا ڈیٹا جو اسے درکار ہے، اور ممکنہ غلطیاں جنہیں اس کے نتائج پر اعتماد کرنے سے پہلے سمجھنا ضروری ہے۔ اس حصے کا مقصد قاری کو مصنوعی ذہانت کا ماہر بنانا نہیں، اور نہ اسے ریاضیاتی و پروگرامنگ کی تفصیل کے بوجھ تلے دبانا ہے۔ اس کا مقصد زیادہ گہرا اور زیادہ عملی ہے: قارئین کو ایسی فہم دینا جو انہیں کسی نتیجے سے یہ جانے بغیر مسحور ہونے سے بچائے کہ وہ کیسے پیدا کیا گیا، اور جو انہیں ایسے نظام میں فرق کرنے میں مدد دے جو موزوں ڈیٹا اور واضح شواہد پر بنا ہو اور ایسے نظام میں جو ایسے پُراعتماد جواب پیش کرتا ہو جن کے پیچھے کافی علم نہ ہو۔ اس غرض سے، ہم نظام کے اندر جھانکنے کی کوشش کریں گے، ایسی زبان میں جو درستی کو سادگی کے ساتھ جوڑتی ہے۔ ہم پوچھیں گے: اس نے کن ڈیٹا سے سیکھا؟ وہ ڈیٹا کہاں سے آیا، اسے کس نے جمع کیا، اور کس زمین، آب و ہوا، اور موسم میں؟ کیا وہ اُس فارم کے حالات کی نمائندگی کرتا ہے جہاں نظام استعمال کیا جائے گا، یا کسی مختلف ماحول کی؟ ماڈل کیا دیکھ سکتا ہے، اور کیا اس کی نظر سے باہر رہ جاتا ہے؟ وہ کیسے جانتا ہے کہ اس کا جواب درست ہے؟ اور وہ کیسے غلطی کر سکتا ہے، ہچکچا سکتا ہے، یا شواہد کی اجازت سے زیادہ اعتماد ظاہر کر سکتا ہے؟ یہ ایسے تکنیکی سوالات نہیں جو زرعی حقیقت سے دور ہوں۔ اگر موسمی ڈیٹا نامکمل ہو، کسی سیٹلائٹ تصویر پر بادل چھائے ہوں، کوئی سینسر غیر معیار بند ہو، یا ماڈل کو کسی مختلف فصل یا آب و ہوا پر تربیت دی گئی ہو، تو نقص ایک مرحلے سے دوسرے تک منتقل ہوتا رہ سکتا ہے یہاں تک کہ وہ کسان تک بظاہر ایک درست سفارش کی صورت میں پہنچ جائے۔ اس کا مطلب یہ نہیں کہ مصنوعی ذہانت بے فائدہ ہے؛ اس کا مطلب یہ ہے کہ اس کی حقیقی قدر محض اس کی حسابی ذہانت سے نہیں آتی، بلکہ اُس پورے سلسلے کے معیار سے آتی ہے جس نے اس کا جواب پیدا کیا۔ ہم مصنوعی ذہانت کے طریقوں اور ہر ایک کے انتخاب کی منطق سے آغاز کرتے ہیں: ایک آلہ کسی مسئلے کے لیے موزوں کیوں ہے جبکہ دوسرا نہیں؟ پھر ہم ڈیٹا کی طرف بڑھتے ہیں، کیونکہ وہی وہ مادہ ہے جس سے نظام سیکھتا ہے اور وہ آئینہ ہے جس سے وہ دنیا کو دیکھتا ہے۔ اس کے بعد ہم ڈیٹا کے ماخذی سلسلے اور معیار کا جائزہ لیتے ہیں، تاکہ ہم جان سکیں کہ معلومات کہاں سے نکلیں، انہوں نے کون سا راستہ طے کیا، اور ان میں کیا تبدیلیاں کی گئیں۔ پھر ہم دور محسوسی تک پہنچتے ہیں، جہاں سیٹلائٹ اور ڈرونز کی تصاویر، میدانی آلات کے ساتھ مل کر، پودوں، مٹی، اور پانی کے اشاریوں میں بدل دی جاتی ہیں۔ وہاں سے ہم فیصلہ سازی کے معاون نظاموں اور علم کی بازیافت کی طرف بڑھتے ہیں، تاکہ دیکھ سکیں کہ پیمائشیں، ماڈل، اور زرعی مہارت کس طرح ایک ایسے جواب میں یکجا کی جاتی ہیں جو درست وقت اور جگہ پر استعمال کیا جا سکے۔ یہ ترتیب اتفاقی نہیں؛ یہ اُس راستے کی عکاسی کرتی ہے جو علم نظام کے اندر طے کرتا ہے۔ کوئی غیر موزوں طریقہ استنباط کو بگاڑ سکتا ہے، کمزور ڈیٹا بہترین ماڈلوں کو کھوکھلا کر سکتا ہے، کوئی نامعلوم ماخذ نتیجے کی تصدیق کو دشوار بنا دیتا ہے، اور غیر درست پیمائش غیر درست سفارش پیدا کرتی ہے۔ ایسا جواب جو اپنی بنیاد اور حدود واضح نہ کرے، مدد کے آلے سے بدل کر خطرے کا ایک نیا سرچشمہ بن سکتا ہے۔ ان بنیادوں کو سمجھنے کا مطلب یہ نہیں کہ کسان کو ہر مساوات یا کوڈ کی ہر سطر جاننی چاہیے، جس طرح ٹریکٹر چلانے والے کو مکینیکل انجینئر ہونے کی ضرورت نہیں۔ لیکن کسان کو اتنا جاننے کی ضرورت ہے کہ وہ درست عملیات کو خرابی سے، حقیقی صلاحیت کو تشہیری وعدے سے، اور ایسے آلے کو جو فیصلہ سازی میں مدد دیتا ہے اُس آلے سے الگ کر سکے جو کسان سے پورا فیصلہ اپنے سپرد کرنے کا مطالبہ کرتا ہے۔ اس حصے میں، ہم مصنوعی ذہانت کو کوئی پُراسرار ڈبہ نہیں سمجھتے جو جواب جاری کرتا ہے، بلکہ ڈیٹا، مفروضات، پیمائشوں، ماڈلوں، اور انسانی فیصلوں کا ایک باہم مربوط سلسلہ سمجھتے ہیں۔ اس سلسلے کی ہر کڑی اگلی کڑی پر اثر ڈالتی ہے۔ لہٰذا سب سے اہم سوال صرف یہ نہیں: نظام نے کیا کہا؟ بلکہ یہ بھی ہے: وہ اپنی بات تک کیسے پہنچا، کن شواہد پر، اور کن حدود کے اندر اس پر اعتماد کیا جا سکتا ہے؟ مباحثہ اپنی سائنسی گہرائی کم کیے بغیر اور تعارف کو ایک بھاری تکنیکی وضاحت میں بدلے بغیر ٹھوس رہتا ہے۔

باب چہارم: زرعی سیاق و سباق میں مصنوعی ذہانت کے طریقے

باب کا پیغام

ایسا کوئی واحد طریقہ نہیں جسے 'زرعی مصنوعی ذہانت' کہا جائے اور جو ہر فصل، ہر فارم، اور ہر فیصلے کے لیے موزوں ہو۔ جسے ہم مصنوعی ذہانت کہتے ہیں وہ طریقوں کا ایک وسیع دائرہ ہے: کچھ ماضی کی مثالوں سے سیکھتے ہیں، کچھ غیر معمولی نمونوں کی تلاش کرتے ہیں، کچھ تصاویر کی تعبیر کرتے ہیں، کچھ وقت کے ساتھ تبدیلی کا سراغ رکھتے ہیں، کچھ رکاوٹوں کے تحت متبادلات کا موازنہ کرتے ہیں، اور کچھ علم بازیافت کر کے اسے ایک جواب میں ڈھالتے ہیں۔ کسی بھی طریقے کی قدر اس کے نام کی شہرت یا اس کے ماڈل کے نیا پن سے شروع نہیں ہوتی، بلکہ اُس زرعی سوال سے اس کی مطابقت سے شروع ہوتی ہے جس کا ہم جواب چاہتے ہیں۔ ممکن ہے نظام کی غلطی اس سے زیادہ کچھ نہ ہو کہ تصویر دوبارہ لینی پڑے؛ یا وہ ایک ایسا تاخیر زدہ فیصلہ ہو سکتی ہے جو علاج کا موقع گنوا دے، یا ایسا خودکار عمل جو فصل یا مزدور کو خطرے میں ڈال دے۔ لہٰذا انتخاب کا آغاز فیصلے اور غلطی کے نتیجے سے ہوتا ہے، اور تب ہی ڈیٹا اور طریقے کی طرف لوٹتا ہے—اس کے برعکس نہیں۔ یہ باب کسان سے یہ نہیں کہتا کہ وہ پروگرامر بن جائے، اور نہ محض اس پر قناعت کرتا ہے کہ باخبر قاری کو مانوس ناموں سے متعارف کرا دے۔ اس کا مقصد اُس چیز کے درمیان پُل باندھنا ہے جو ماڈل کے اندر ہوتی ہے اور اُس چیز کے درمیان جو اس کے بعد کھیت میں ہوتی ہے: نظام کیا دیکھتا ہے؟ وہ کیا سیکھتا ہے؟ وہ کیا نتیجہ دیتا ہے؟ وہ کہاں غلطی کر سکتا ہے؟ اور نتیجہ کب معاون معلومات ہوتا ہے، اور کب وہ ایسا عمل بن جاتا ہے جس کے لیے نگرانی اور ذمہ داری درکار ہے؟ الگورتھموں کے ناموں سے پہلے: نظام کے اندر سوال کا سفر آئیے ایک ایسے کسان کا تصور کریں جو ٹماٹر کے پتوں پر دھبے پاتا ہے، تصویر لیتا ہے، اور کسی ایپلی کیشن سے پوچھتا ہے: 'مسئلہ کیا ہے؟' کام سادہ لگتا ہے، مگر نظام پتے کو اس طرح نہیں دیکھتا جیسے کوئی شخص دیکھتا ہے، اور نہ وہ خود سے کھیت کی تاریخ، قسم، نمی، یا علامات کے پھیلاؤ کی وسعت جانتا ہے۔ وہ تصویر کی ایک عددی نمائندگی وصول کرتا ہے، اس کا موازنہ اُن نمونوں سے کرتا ہے جو اس نے سیکھے ہیں، اور پھر ایک درجہ، ایک احتمال، یا احتمالات کا ایک مجموعہ پیدا کرتا ہے۔ اس کے بعد کوئی دوسری ایپلی کیشن نتیجے کو سفارش میں بدل سکتی ہے۔ تصویر اور سفارش کے درمیان انتخابات کا ایک پورا سلسلہ ہوتا ہے۔ کسی بھی ذہین زرعی نظام کو چھ مراحل کے ذریعے سمجھا جا سکتا ہے:

1. سوال: ہم کس مسئلے یا فیصلے کی معاونت چاہتے ہیں؟
2. مداخل: نظام درحقیقت کون سا ڈیٹا دیکھ سکتا ہے؟
3. نمائندگی: زرعی حقیقت کو کس طرح کسی تصویر، عدد، متن، یا وقتی سلسلے میں بدلا گیا؟
4. طریقہ: کون سا حسابی خاندان مداخل کو مخرج سے جوڑتا ہے؟
5. مخرج: نتیجہ کوئی درجہ بندی ہے، تخمینہ، احتمال، ترجیحی ترتیب، یا سفارش؟
6. عمل: نتیجہ کون استعمال کرے گا، اور اگر وہ غلط یا تاخیر زدہ ہو تو کیا ہوگا؟

ان کڑیوں کو الگ رکھنا اہم ہے۔ کوئی ماڈل تصویر کی درجہ بندی میں اچھا ہو سکتا ہے، جبکہ تصویر بذاتِ خود کھیت کی نمائندہ نہ ہو۔ کوئی پیشگوئی معقول ہو سکتی ہے، مگر اسے خوراک یا وقت میں بدلنے کے لیے ایسے زرعی اصول اور سلامتی کی قیود درکار ہیں جو ماڈل نے نہیں سیکھے۔ پختہ نظاموں میں یہ امتیازات 'ذہین' کے لفظ کے پیچھے غائب نہیں ہو جاتے؛ وہ صارف کو دکھائے جاتے ہیں، تاکہ وہ جان سکے کہ اعتماد کہاں جائز ہے اور تصدیق کہاں درکار ہے۔

1۔ سوال سے نمائندگی تک

زرعی سوال جس طرح کوئی شخص اسے تشکیل دیتا ہے عموماً اُس سوال سے زیادہ وسیع ہوتا ہے جسے کوئی ماڈل سنبھال سکتا ہے۔ یہ پوچھنا کہ 'کیا یہ پودا ٹھیک ہے؟' ایک ہی جملے میں بیماری، غذائی عناصر کی کمی، پانی کے دباؤ، مشینی نقصان، اور موسم کے اثرات کے امکان کو جمع کر دیتا ہے۔ اس کے برعکس، ماڈل کو ایک مخصوص کام درکار ہوتا ہے جس کے مداخل کی نمائندگی ہو سکے، جس کا مخرج متعین کیا جا سکے، اور جس کی غلطی ناپی جا سکے۔ کسی متاثرہ پتے کی مثال لیجیے۔ اسے مختلف مسائل میں بدلا جا سکتا ہے:

یہ ایک ہی کام کے متعدد نام نہیں۔ ہر سوال کو اس کے لیے موزوں ڈیٹا، ایسے درست جواب جن سے نظام سیکھ سکے، اس کی غلطیاں ناپنے کا طریقہ، اور نتیجہ سامنے آنے کے بعد اٹھایا جانے والا ایک واضح قدم درکار ہے۔ درجہ بندی ابتدائی چھانٹی کے لیے کافی ہو سکتی ہے، مگر کسی روبوٹی آلے کو کسی درست مقام تک رہنمائی دینے کے لیے کافی نہیں۔ اور نقصان کا نقشہ بصری طور پر بہترین ہو سکتا ہے، مگر وہ نقصان کے سبب کو ثابت نہیں کرتا۔ یہی بات جڑی بوٹیوں پر لاگو ہوتی ہے۔ اگر صرف یہ جاننا مطلوب ہو کہ کوئی جڑی بوٹی موجود ہے یا نہیں، تو درجہ بندی کا کام کافی ہے۔ اگر جڑی بوٹیوں کی کثافت کا حساب مطلوب ہو، تو ہمیں گنتی یا رقبے کے تخمینے کی ضرورت ہے۔ اگر کسی مشینی آلے کی رہنمائی مطلوب ہو، تو ہمیں ایک درست مقام، ردِعمل کا وقت، ایک کنٹرول نظام، اور ایک حفاظتی رکاوٹ درکار ہے۔ 'اس نے جڑی بوٹی دیکھی' سے 'وہ اس کی طرف بڑھا' تک کی تبدیلی معلومات سے عمل تک کی تبدیلی ہے، کوئی معمولی پروگرامنگ تفصیل نہیں۔ یہی وجہ ہے کہ فیصلے کی اکائی ماڈل کے انتخاب سے پہلے آتی ہے۔ کیا فیصلہ ایک پتے سے متعلق ہے، ایک پودے سے، ایک قطار سے، ایک قطعے سے، یا پورے کھیت سے؟ اور کیا ہم برداشت سے پہلے کسی کھیت کی پیداوار کی پیشگوئی کر رہے ہیں، یا ذخیرہ اندوزی اور نقل و حمل کی منصوبہ بندی کے لیے کسی خطے کی کل پیداوار کی؟ اگر اکائی بدلتی ہے، تو ڈیٹا اور غلطی کے معنی بھی اس کے ساتھ بدل جاتے ہیں۔ علاقائی سطح پر ایک اچھا تخمینہ کسی چھوٹے قطعے میں آبپاشی کا فیصلہ کرنے کے لیے موزوں نہ ہو، خواہ دونوں لفظ 'پیداوار' یا 'پیداواری مقدار' استعمال کرتے ہوں۔ جہاں تک نمائندگی کا تعلق ہے، یہ حقیقت کی وہ سادہ کی ہوئی عددی تصویر ہے جس کی نظام اجازت دیتا ہے۔ وہ مٹی کی نمائندگی ایک ہی گہرائی پر نمی کی پیمائش سے کر سکتا ہے، یا پودے کی نمائندگی اوپر سے لی گئی تصویر سے، یا کھیت کے انتظام کی نمائندگی تاریخوں کے ریکارڈ سے۔ ہر نمائندگی ایک پہلو کو روشن کرتی ہے اور دیگر پہلوؤں کو نظر سے باہر چھوڑ دیتی ہے۔ ماڈل وہ نہیں جانتا جو اسے دیا ہی نہیں گیا، اور وہ محض اپنی حسابی طاقت بڑھا کر مقصد کی مبہم تعریف کو درست نہیں کر سکتا۔ ایک عملی سوال: الگورتھم کے نام کے بارے میں پوچھنے سے پہلے، یہ پوچھیے: فیصلے کی اکائی کیا ہے؟ نظام کیا دیکھتا ہے؟ وہ کیا نہیں دیکھتا؟ اور اس کے مخرج پر کون سا عمل تعمیر کیا جائے گا؟

2۔ زیر نگرانی تعلم: معلوم نتائج والی مثالوں سے سیکھنا

زیر نگرانی تعلم ایک ایسا طریقۂ کار ہے جس میں نظام معلوم نتائج والی مثالوں سے سیکھتا ہے۔ اگر ہم اسے صحت مند اور متاثرہ پتوں میں فرق کرنے کی تربیت دینا چاہیں، تو ہم اسے ایسی تصاویر دکھاتے ہیں جن کا کوئی ماہر پہلے ہی جائزہ لے چکا ہو اور انہیں کوئی حالت تفویض کر چکا ہو۔ اگر ہم اسے پیداوار کی پیش گوئی کی تربیت دینا چاہیں، تو ہم موسم، مٹی، قسم، اور کھیت کے انتظام کا ڈیٹا فراہم کرتے ہیں، اور ہر ریکارڈ کے ساتھ وہ مقدارِ پیداوار جو برداشت کے بعد درحقیقت ناپی گئی۔ ایسی بہت سی مثالوں سے نظام ڈیٹا اور معلوم نتائج کے درمیان تعلق سیکھنے کی کوشش کرتا ہے، اور پھر جو کچھ اس نے سیکھا ہے اسے استعمال کرتے ہوئے کسی نئے معاملے کے نتیجے کا تخمینہ لگاتا ہے جو اس نے پہلے نہیں دیکھا۔ معلوم نتیجے کو ماہر سے تصدیق شدہ حوالہ جاتی زمرہ کہا جاتا ہے جب وہ کسی زمرے کا نام ہو، جیسے 'صحت مند' یا 'متاثرہ'، اور حوالہ جاتی قدر کہا جاتا ہے جب وہ کوئی ناپا گیا عدد ہو، جیسے پیداوار کی مقدار۔ کوئی ماڈل عموماً کسی ماہر کے لکھے ہوئے اصولوں کی فہرست سے آغاز نہیں کرتا، جیسے: 'اگر اس رنگ کا دھبہ ظاہر ہو، تو حالت فلاں فلاں ہے۔' اس کے بجائے ڈویلپر اس کے سامنے معلوم نتائج والی بہت سی مثالیں پیش کرتا ہے، اور وہ خود ہی ان خصوصیات کو تلاش کرتا ہے جو ہر نتیجے کے ساتھ بار بار ظاہر ہوتی ہیں۔ جب وہ کوئی نئی مثال دیکھتا ہے تو اس کا موازنہ ان نمونوں سے کرتا ہے جو اس نے سیکھے ہیں، اور پھر قریب ترین نتیجے کا تخمینہ لگاتا ہے۔ یہ صلاحیت مفید ہے، مگر اس کے ساتھ ایک اہم خطرہ وابستہ ہے: ممکن ہے نظام اُس زرعی خصوصیت کو سیکھنے کے بجائے، جو ہمارے لیے اہم ہے، کوئی آسان ضمنی اشارہ سیکھ لے۔ وہ خود بخود نہیں جانتا کہ تصویر کا کون سا حصہ بیماری کی نمائندگی کرتا ہے اور کون سا محض پس منظر ہے؛ بلکہ وہ اس طریقے سے سیکھتا ہے جس طرح مثالیں جمع کی گئیں اور اس کے سامنے پیش کی گئیں۔ فرض کیجیے کہ ہم کسی نظام کو صحت مند اور متاثرہ پودے میں فرق کرنے کی تربیت دینا چاہتے ہیں۔ تمام صحت مند پودوں کی تصاویر کسی گرین ہاؤس کے اندر سفید دیوار کے ساتھ لی گئیں، جبکہ تمام متاثرہ پودوں کی تصاویر کھلے کھیت میں لی گئیں جہاں ان کے پیچھے گہرے رنگ کی مٹی نظر آ رہی تھی۔ ہم یہ چاہتے ہیں کہ نظام پتوں پر ظاہر ہونے والی علامات کی شکل سیکھے، مگر ممکن ہے وہ ایک آسان تر راستہ دریافت کر لے: سفید پس منظر صحت مند تصاویر کے ساتھ آتا ہے، اور گہری مٹی متاثرہ تصاویر کے ساتھ۔ ممکن ہے نظام اُن تصاویر پر جانچے جانے کے وقت کامیاب دکھائی دے جو اسی طریقے سے جمع کی گئی ہوں، کیونکہ جانچ میں پس منظر ان پس مناظر سے ملتے جلتے ہیں جن سے اس نے سیکھا۔ لیکن ممکن ہے وہ کسی نئے فارم پر ناکام ہو جائے—مثلاً کسی سفید گرین ہاؤس کے اندر موجود متاثرہ پودے کو صحت مند قرار دے دے، یا کسی صحت مند پودے کو محض اس لیے نشان زد کر دے کہ اس کے پیچھے گہری مٹی ہے۔ نظام نے گمراہ کرنے کا ارادہ نہیں کیا تھا؛ اس نے وہ آسان تر تعلق سیکھ لیا جو ڈیٹا نے اسے پیش کیا، نہ کہ بیماری کی وہ علامات جو ڈیزائنر کے پیشِ نظر تھیں۔ یہی مسئلہ عددی ڈیٹا میں بھی پیدا ہوتا ہے۔ اگر برداشت کا کوئی سینسر غیر کیلیبریٹ ہونے کی وجہ سے حقیقت سے زیادہ یا کم ریڈنگ دیتا ہے، تو ماڈل غلط اعداد سے سیکھے گا۔ اگر بعض کھیتوں کی پیداوار ٹن فی ہیکٹر میں درج کی جائے، جبکہ دیگر کھیتوں کی کل ٹن میں، اور فرق واضح نہ کیا جائے، تو نظام غیر قابلِ موازنہ قدروں کو یوں برتے گا جیسے وہ ایک ہی چیز ہوں۔ اور اگر مختلف بیماریوں کی حالتوں کے لیے ایک ہی نام استعمال کیا جائے، تو ماڈل ان کے درمیان درست حدود نہیں جان سکے گا۔ ان میں سے ہر مثال میں غلطی ماڈل سے باہر نہیں رہتی؛ وہ اُسی مادّے میں داخل ہو جاتی ہے جس سے ماڈل سیکھتا ہے۔ ممکن ہے الگورتھم اپنا حسابی کام درستی سے انجام دے، پھر بھی وہ ایسا تعلق سیکھ لے جو کسی ناقص پیمائش یا غیر مستحکم تعریف پر قائم ہو۔ کوئی جدید طریقہ ڈیٹا سے ایسا یقین برآمد نہیں کر سکتا جو وہاں سرے سے موجود ہی نہ ہو۔ چنانچہ یہ کافی نہیں کہ ہر تصویر یا ریکارڈ کے ساتھ ایک لکھا ہوا جواب مل جائے۔ ہمیں یہ جاننا ضروری ہے:

• حوالہ جاتی حالت یا حوالہ جاتی قدر کا تعین کس نے کیا، اور اس نے کن اصولوں کی پیروی کی؟
• کیا نتیجے کی تصدیق ایک ہی ماہر نے کی، ایک سے زائد ماہرین نے اس کا جائزہ لیا، یا اسے کسی حوالہ جاتی جانچ سے طے کیا گیا؟
• کیا اعتماد کی سطح ریکارڈ کی گئی، اور کیا شواہد ناکافی ہونے پر 'غیر فیصلہ کن' نتیجے کی اجازت تھی؟
• کیا ہر حالت کی تعریف مختلف فارموں، اداروں، اور موسموں میں یکساں رہی؟
• کیا مثالوں میں آسان اور مشکل حالتیں، ابتدائی اور بڑھی ہوئی علامات، اور مخلوط معاملات شامل ہیں؟
• کیا تصاویر اور ریکارڈ اقسام، مقامات، آلات، اور روشنی میں تنوع کی نمائندگی کرتے ہیں؟
• کیا باہم بہت ملتی جلتی تصاویر یا ریکارڈ تربیت اور جانچ کے درمیان الگ کیے گئے، تاکہ نظام کو ان چیزوں کے انتہائی مشابہ ورژنوں پر نہ جانچا جائے جو وہ پہلے دیکھ چکا ہے؟

نظام کو یہ کہنے کی اجازت دینا کہ 'فیصلہ کرنے کے لیے کافی معلومات موجود نہیں'، کمزوری کی علامت نہیں۔ زرعی ایپلی کیشنز میں، منضبط گریز اس سے زیادہ محفوظ ہو سکتا ہے کہ نظام کو ہر تصویر کے لیے کسی بیماری کا نام منتخب کرنے پر مجبور کیا جائے۔ ایک ذمہ دارانہ نتیجہ محض سب سے زیادہ ممکنہ امکان بتانے پر اکتفا نہیں کرتا؛ وہ اعتماد کی حدود، مفقود معلومات، اور تصدیق کے لیے درکار اگلا قدم بھی واضح کرتا ہے۔ اعلیٰ سطح کے قاری کے لیے: مثالوں کی بڑی تعداد محدود تنوع یا کمزور حوالہ جاتی نتائج کی تلافی نہیں کرتی۔ ایک چھوٹا آزاد مجموعہ جو مختلف فارموں، موسموں، اور آلات کی نمائندگی کرے، ہزاروں ملتی جلتی تصاویر کے مقابلے میں ماڈل کی حدود ظاہر کرنے کی بہتر صلاحیت رکھ سکتا ہے۔ اس لیے ماحول کے تنوع، نتیجے کی تعریف کی یکسانیت، جانچ کے ڈیٹا کی آزادی، اور ہر قسم کی غلطی کی لاگت کو ڈیٹا سیٹ کے حجم کے ساتھ ساتھ پرکھنا ضروری ہے۔

3۔ بلا نگرانی اور نیم زیر نگرانی تعلم: جب دستاویزی نتائج کم ہوں تو ہم کیا کریں؟

مثالی صورت میں ہم شاید یہ چاہیں کہ کوئی ماہر ہر تصویر، ریڈنگ، یا ریکارڈ کا جائزہ لے، اور اس سے وابستہ درست نتیجے کا تعین کرے۔ مگر حقیقت میں یہ شاذ ہی ممکن ہوتا ہے۔ ممکن ہے کوئی فارم ہزاروں تصاویر اور لاکھوں سینسر ریڈنگز جمع کرے، جبکہ ہر ریکارڈ کا انفرادی جائزہ لینے کے لیے درکار وقت، رقم، یا ماہرانہ صلاحیت دستیاب نہ ہو۔ جب دستاویزی نتائج کم ہوں یا دستیاب نہ ہوں، تو ایسے طریقے استعمال کیے جا سکتے ہیں جو ڈیٹا کو منظم کرنے اور اس کے اندر بار بار ظاہر ہونے والے نمونے دریافت کرنے میں مدد دیں، بغیر اس کے کہ ہر مثال کے ساتھ منسلک کسی درست جواب سے آغاز کیا جائے۔ ان طریقوں میں سب سے اہم بلا نگرانی تعلم، غیر معمولی حالتوں کی شناخت، اور نیم زیر نگرانی تعلم ہیں۔ یہ طریقے اس اعتبار سے مشابہ ہیں کہ یہ غیر نظرثانی شدہ ڈیٹا سے فائدہ اٹھاتے ہیں، مگر یہ ایک ہی کام انجام نہیں دیتے اور نہ اپنے نتائج کو یقین کا یکساں درجہ عطا کرتے ہیں۔ اول: بلا نگرانی تعلم بلا نگرانی تعلم میں نظام کو پیشگی کوئی فہرست نہیں دی جاتی جو اسے بتائے کہ 'یہ علاقہ اچھا ہے'، 'یہ کمزور ہے'، اور 'اس میں نکاسی کا مسئلہ ہے'۔ بلکہ وہ ڈیٹا کے اندر ایسے ریکارڈ تلاش کرتا ہے جو اپنی خصوصیات میں ایک دوسرے سے مشابہ ہوں، اور پھر ملتے جلتے ریکارڈوں کو ایک ساتھ گروہ بند کرتا ہے۔ فرض کیجیے کہ ہمارے پاس کھیت کے مختلف علاقوں کی ریڈنگز ہیں، جن میں مٹی کی نمی، پیداواری صلاحیت، درجۂ حرارت، اور فضائی تصاویر سے حاصل شدہ انعکاسی خصوصیات شامل ہیں۔ ممکن ہے نظام یہ پائے کہ بعض علاقے ان ریڈنگز میں ایک دوسرے سے مشابہ ہیں اور انہیں ایک گروہ میں رکھ دے، جبکہ دوسرے علاقوں کو مختلف گروہوں میں رکھے۔ یہ نتیجہ کسان کو ایسا فرق دیکھنے میں مدد دے سکتا ہے جو پہلے واضح نہیں تھا، مگر یہ اس کی وجہ خود بخود بیان نہیں کرتا۔ وہ علاقے جن میں کم پیداوار مشترک ہے، ریاضیاتی طور پر مشابہ ہو سکتے ہیں، مگر کمی کی وجہ ایک جگہ سے دوسری جگہ مختلف ہو سکتی ہے:

• ممکن ہے ایک علاقہ ناقص نکاسی کا شکار ہو۔
• دوسرا سائے سے متاثر ہو۔
• تیسرا مٹی کی قسم میں مختلف ہو۔
• اور چوتھے علاقے کی ریڈنگ کسی غیر کیلیبریٹ سینسر کی وجہ سے کم ہو۔

چنانچہ اس مرحلے پر نظام کہتا ہے: 'یہ ریکارڈ اُس ڈیٹا کے مطابق مشابہ ہیں جس کا میں نے تجزیہ کیا۔' وہ یہ نہیں کہتا: 'میں نے ثابت کر دیا کہ یہ علاقہ ناقص ہے یا اسے کھاد کی مخصوص مقدار درکار ہے۔' یہ فرق بنیادی ہے۔ حسابی گروہ بندی توجہ، معائنے، اور نمونہ گیری کا رخ متعین کرنے میں مدد دیتی ہے، مگر یہ زرعی تعبیر کا نعم البدل نہیں۔ اور نہ ہی نظام کے دریافت کردہ گروہ ڈیزائنر کے انتخابات سے آزاد کوئی وجود رکھتے ہیں۔ نتیجہ ان متغیرات سے متاثر ہوتا ہے جو تجزیے میں داخل کیے گئے، ان کی اکائیوں کو معیاری بنانے کے طریقے سے، بنائے جانے والے گروہوں کی تعداد سے، اور مشابہت کے اُس درجے سے جسے الگورتھم اہم سمجھتا ہے۔ مثال کے طور پر اگر ہم نکاسی کا ڈیٹا شامل نہ کریں، تو نظام فرق کی وضاحت میں نکاسی کو استعمال نہیں کر سکے گا، خواہ تجزیے کا طریقہ کتنا ہی جدید کیوں نہ ہو۔ دوم: غیر معمولی حالتوں کی شناخت ان طریقوں کا ایک اہم استعمال غیر معمولی حالتوں کی شناخت ہے۔ نظام ایک خاص مدت کے دوران ریڈنگز یا رویّے کا معمول کا نمونہ سیکھتا ہے، پھر جب کوئی ایسی حالت ظاہر ہو جو اس سے خاصی حد تک مختلف ہو، تو صارف کو خبردار کرتا ہے۔ فرق یہ ہو سکتا ہے:

• نمی کا کوئی سینسر جس کی ریڈنگز بتدریج ہٹنے لگی ہوں۔
• پانی کے استعمال میں اچانک اضافہ جو رساؤ یا عمل میں تبدیلی کی نشاندہی کر سکتا ہے۔
• آبپاشی کی کسی لائن کے بہاؤ میں غیر معمولی کمی۔
• کسی جانور کی حرکت یا خوراک لینے کے نمونے میں نمایاں تبدیلی۔
• درجۂ حرارت کی ایسی ریڈنگ جو غیر معمولی طور پر طویل عرصے تک ثابت رہی ہو، جو سینسر کی ناکامی کی نشاندہی کر سکتی ہے۔

مگر محض تنبیہ یہ ثابت نہیں کرتی کہ کوئی خرابی یا بیماری واقع ہو گئی ہے۔ اس کا مطلب صرف یہ ہے: 'یہ حالت اُس سے مختلف ہے جسے نظام معمول سمجھتا رہا، اس لیے یہ معائنے کی متقاضی ہے۔' وجہ کوئی حقیقی مسئلہ ہو سکتی ہے، کوئی فطری موسمی تبدیلی، کوئی نیا زرعی عمل، یا پیمائش کی کوئی غلطی۔ اس لیے فرق کے کسی اشارے کو براہِ راست تشخیص یا عملیاتی ہدایت میں تبدیل نہیں کرنا چاہیے۔ اور نہ ہی تنبیہات کی بڑی تعداد نظام کے معیار کا ثبوت ہے۔ اگر نظام مثال کے طور پر ایسی ٹیم کو دن میں سو تنبیہات بھیجے جو پانچ سے زیادہ کا معائنہ نہیں کر سکتی، تو یہ آلہ شور کا ذریعہ بن جائے گا، اور اہم انتباہات بار بار آنے والی تنبیہات کے درمیان گم ہو سکتے ہیں۔ اس لیے نظام کو تین عوامل کے مطابق کیلیبریٹ کیا جانا چاہیے:

• اُس حالت کی سنگینی جس کی شناخت میں وہ ناکام ہو سکتا ہے۔
• جھوٹی تنبیہات کی وہ تعداد جسے ٹیم سنبھال سکتی ہے۔
• مزدور یا ماہر کی وہ صلاحیت کہ وہ تنبیہ کا بروقت معائنہ کر سکے۔

ہر تنبیہ کو یہ بتانا چاہیے کہ وہ کیوں جاری کی گئی، مثلاً: "اس سیکٹر میں پانی کا استعمال گزشتہ چھ گھنٹوں کے دوران اپنی معمول کی حد سے بڑھ گیا ہے، جبکہ ہمسایہ سیکٹروں میں ایسی کوئی تبدیلی ظاہر نہیں ہوئی۔" یہ اس عمومی پیغام سے زیادہ واضح اور زیادہ مفید ہے جو کہے: "ایک غیر معمولی حالت شناخت ہوئی۔" سوم: نیم زیر نگرانی تعلم نیم زیر نگرانی تعلم اُس وقت استعمال ہوتا ہے جب ہمارے پاس محدود تعداد میں ایسی مثالیں ہوں جن کا کسی ماہر نے جائزہ لے کر انہیں درست نتیجہ تفویض کیا ہو، اور ان کے ساتھ تصاویر یا ریکارڈوں کی بڑی تعداد ہو جن کا ابھی کسی نے جائزہ نہ لیا ہو۔ فرض کیجیے کہ کسی فارم کے پاس پودوں کے پتوں کی ہزاروں تصاویر ہیں، مگر پودوں کی بیماریوں کا کوئی ماہر ان میں سے صرف چند سو کا جائزہ لے سکا ہے۔ اس چھوٹے مجموعے میں معلوم حالتیں شامل ہیں، جیسے:

• ایک صحت مند پتا۔
• کسی مخصوص بیماری کی علامات۔
• کسی غذائی کمی کی علامات۔
• ایسی تصویر جو کوئی فیصلہ کرنے کے لیے ناکافی ہے۔

باقی تصاویر دستیاب ہیں، مگر ان کی حالت دستاویزی شکل میں نہیں لائی گئی۔ نظام پہلے ماہر کے جائزہ شدہ نمونوں سے سیکھتا ہے، پھر دیگر تصاویر میں پائی جانے والی مشابہتوں اور فرق سے فائدہ اٹھاتا ہے۔ اس طرح ڈیٹا کی بڑی مقدار استعمال کی جا سکتی ہے بغیر اس کے کہ ماہر کو ہر تصویر کا دستی جائزہ لینا پڑے۔ مگر دستی کام میں کمی کا مطلب انسانی تصدیق سے دست بردار ہونا نہیں، اور نہ اس کا مطلب یہ ہے کہ غیر جائزہ شدہ تصاویر کی بڑی تعداد کسی کمزور یا محدود دستاویزی مجموعے کی اصلاح کر سکتی ہے۔ اگر ماہر کی جائزہ شدہ تمام تصاویر آئیں:

• ایک ہی فارم سے۔
• ایک ہی قسم سے۔
• ایک ہی فون سے۔
• ملتی جلتی روشنی کی حالتوں سے۔
• بیماری کے بڑھے ہوئے مرحلے سے۔

تو ممکن ہے نظام یہ سیکھ لے کہ یہی محدود حالتیں تمام معاملات کی نمائندگی کرتی ہیں۔ ممکن ہے وہ ملتی جلتی تصاویر پر اچھا کام کرے، پھر ابتدائی علامات، کسی دوسری قسم، کسی مختلف فارم، یا کم معیار کے کیمرے کا سامنا ہونے پر ناقص کارکردگی دکھائے۔ ایسا نظام جس نے یہ سیکھا ہو کہ بیماری بڑھے ہوئے مرحلے پر کیسی دکھائی دیتی ہے، ممکن ہے اس کے ابتدائی آغاز کو پہچاننے میں ناکام رہے۔ ایک قسم پر تربیت یافتہ نظام ممکن ہے کسی دوسری قسم کی فطری خصوصیات کو بیماری کی علامات سمجھ بیٹھے۔ اور ہزاروں ایسی تصاویر جن کا کسی ماہر نے جائزہ نہ لیا ہو، اُن دستاویزی مثالوں کی محدودیت کی خود بخود تلافی نہیں کر سکتیں جن سے نظام نے سیکھا کہ حالتوں کا مطلب کیا ہے۔ اس لیے ہمیں پوچھنا چاہیے:

• کیا دستاویزی مثالیں مختلف فارموں، اقسام، اور مراحل کی نمائندگی کرتی ہیں؟
• ہر مثال کی حالت کا تعین کس نے کیا، اور اس کی تصدیق کیسے ہوئی؟
• کیا غیر متعین حالتیں موجود ہیں، بجائے اس کے کہ ہر مثال کو کسی قطعی نتیجے میں ٹھونسا جائے؟
• کیا ماہر نے بعد ازاں نظام کے تجویز کردہ نتائج کے ایک نمونے کا جائزہ لیا؟
• کیا کمزوری کسی خاص زمرے، مقام، یا مرحلۂ نشو و نما میں ظاہر ہوئی؟
• کیا نتیجہ واقعی بہتر ہوا، یا نظام محض زیادہ پُراعتماد ہو گیا؟

چہارم: کام کی تعیین سے پہلے عمومی خصوصیات سیکھنا ایسے طریقے بھی ہیں جو پہلے تصاویر یا اشاروں کی بڑی مقدار سے بار بار ظاہر ہونے والی عمومی خصوصیات سیکھتے ہیں، اس سے پہلے کہ نظام کو کسی مخصوص زرعی کام کی تربیت دی جائے۔ ممکن ہے نظام شکلوں، کناروں، ساختوں، اور رنگ کے شیڈز میں فرق کرنا سیکھ لے بغیر اس کے کہ ہر تصویر کسی بیماری یا زرعی حالت کے نام سے منسلک ہو۔ اس کے بعد ماہر کا جائزہ شدہ ایک چھوٹا مجموعہ استعمال کیا جاتا ہے تاکہ نظام کو مطلوبہ کام سکھایا جائے، جیسے صحت مند پتوں اور مخصوص علامات دکھانے والے پتوں کے درمیان فرق کرنا۔ یہ قدم درکار کام کی مقدار کم کر سکتا ہے، مگر اس کا مطلب یہ نہیں کہ نظام نے بیماری یا فصل کو خود سمجھ لیا۔ اس نے عمومی بصری یا عددی خصوصیات سیکھیں، اور پھر اسے کسی مخصوص زرعی کام کی طرف موڑا گیا۔ نتیجے کا معیار دستاویزی مثالوں کی درستی اور آزاد میدانی حالات میں جانچ سے وابستہ رہتا ہے۔ عملی مثال: کھیت کو تین علاقوں میں تقسیم کرنا فرض کیجیے کہ نظام نے نمی کے ڈیٹا، پیداوار کے ڈیٹا، اور فضائی تصاویر کا تجزیہ کیا، اور پھر کھیت کو مختلف خصوصیات والے تین علاقوں میں تقسیم کر دیا۔ اس نتیجے کا براہِ راست یہ مطلب نہیں کہ کھیت کو کھاد کے تین نسخے درکار ہیں۔ درست اگلا قدم یہ ہے کہ اس نقشے کو معائنے کی رہنمائی کے لیے استعمال کیا جائے:

1. ٹیم پہلے سینسروں اور ڈیٹا کی درستی کی تصدیق کرتی ہے۔
2. ٹیم ہر علاقے میں نمائندہ مقامات کا دورہ کرتی ہے۔
3. وہ مٹی، نکاسی، سائے، اور انتظام کی تاریخ کا معائنہ کرتی ہے۔
4. ضرورت پڑنے پر مناسب نمونے لیتی ہے۔
5. وہ حسابی تعبیر کا موازنہ میدانی مشاہدے اور پیمائش سے کرتی ہے۔
6. پھر یہ طے کرتی ہے کہ آیا ان علاقوں کو واقعی مختلف علاج درکار ہیں۔

معائنہ اس نتیجے پر پہنچ سکتا ہے کہ ایک علاقہ مٹی کی وجہ سے مختلف ہے، دوسرے میں نکاسی کا مسئلہ ہے، اور تیسرا کسی سینسر کی غلطی کی وجہ سے مختلف دکھائی دیا۔ اگر ان تینوں گروہوں کو براہِ راست کھاد کے تین نسخوں میں بدل دیا جاتا، تو مختلف اسباب کو یوں برتا جاتا جیسے وہ ایک ہی مسئلہ ہوں۔ یوں اس صورت میں الگورتھم اُن سوالات کا نقشہ فراہم کرتا ہے جو معائنے کے لائق ہیں، نہ کہ ان کے جواب کا کوئی تیار نسخہ۔ اختتامیہ جب دستاویزی نتائج کم ہوں، تو یہ طریقے وافر ڈیٹا سے مختلف انداز میں فائدہ اٹھا سکتے ہیں:

• بلا نگرانی تعلم ملتی جلتی حالتوں کو ایک ساتھ گروہ بند کرتا ہے، مگر یہ طے نہیں کرتا کہ وہ کیوں مشابہ ہیں۔
• غیر معمولی حالتوں کی شناخت ہمیں اس چیز سے خبردار کرتی ہے جو نمونے سے ہٹ گئی ہے، مگر یہ کوئی حتمی تشخیص فراہم نہیں کرتی۔
• نیم زیر نگرانی تعلم ماہر کے جائزہ شدہ نمونوں کو مزید ایسے ڈیٹا کے ساتھ ملاتا ہے جس کا جائزہ نہیں لیا گیا، مگر یہ محدود مثالوں کی خامیاں باقی نظام تک منتقل کر سکتا ہے۔
• عمومی خصوصیات سیکھنا ابتدا ہی سے ہر تصویر کا جائزہ لینے کی ضرورت کم کرتا ہے، مگر یہ میدانی جانچ یا ماہرانہ فیصلے کو ختم نہیں کرتا۔

اور مشترکہ اصول یہ ہے: وافر ڈیٹا نظام کو نمونے دیکھنے میں مدد دیتا ہے، مگر زرعی معنی محض مقدار سے پیدا نہیں ہوتا؛ بلکہ وہ درست پیمائش، دستاویزی مثالوں، میدانی سیاق و سباق، اور انسانی تصدیق سے آتا ہے۔

4۔ کمپیوٹر وژن: نظام تصویر میں کیا دیکھتا ہے؟

جب کوئی کسان یا ماہر کسی پودے کے پتے کو دیکھتا ہے، تو وہ صرف رنگ اور شکل نہیں دیکھتا۔ بلکہ وہ جو کچھ دیکھتا ہے اسے پودے کی عمر، علامات کے پھیلاؤ، کھیت کی حالت، موسم، آبپاشی، اور پچھلے معاملات کے اپنے تجربے سے جوڑتا ہے۔ اس کے برعکس، کمپیوٹر وژن کا نظام کسی تنگ تر چیز سے آغاز کرتا ہے: ایک تصویر یا ویڈیو کلپ جو ایسے ڈیجیٹل ڈیٹا میں تبدیل کیا گیا ہو جس کا کمپیوٹر تجزیہ کر سکے۔ کمپیوٹر وژن ان طریقوں کا مجموعہ ہے جو نظام کو تصاویر اور ویڈیو کے اندر نمونے تلاش کرنے میں مدد دیتے ہیں۔ ممکن ہے وہ شکلوں، رنگوں، ساختوں، اور مکانی تعلقات کو پہچاننے کے لیے ایسے ماڈل استعمال کرے جنہیں کنوولوشنل نیورل نیٹ ورکس کہا جاتا ہے، یا جدید تر وژن ماڈل۔ اس کی زرعی ایپلی کیشنز میں پودوں کی بیماریوں کا معائنہ، جڑی بوٹیوں اور پھلوں کی شناخت، پکنے کا تخمینہ، مصنوعات کی چھانٹی، اور جانوروں کی حرکت و رویّے کی نگرانی شامل ہیں۔ سائنسی جائزے زرعی اور غذائی انجینئرنگ میں ان ایپلی کیشنز کی وسعت کا احاطہ کرتے ہیں [SRC001][SRC002]۔ مگر یہ کہنا کہ نظام 'تصویر کو سمجھتا ہے' یہ تاثر دے سکتا ہے کہ وہ اسے انسان کی طرح دیکھتا اور اس کی تعبیر کرتا ہے۔ درحقیقت، ایک ہی تصویر مختلف سوالات کے جواب کے لیے استعمال ہو سکتی ہے، اور ہر سوال کا اپنا طریقہ، نتیجہ، اور حدود ہیں۔ 1۔ تصویر کی مجموعی حالت کا تعین — درجہ بندی اس کام میں نظام تصویر کو ایک وحدت کے طور پر دیکھتا ہے، پھر ان حالتوں کے مجموعے میں سے قریب ترین حالت منتخب کرتا ہے جو وہ پہلے سیکھ چکا ہو۔ نتیجہ مثال کے طور پر یہ ہو سکتا ہے:

• پتا صحت مند دکھائی دیتا ہے۔
• ایسی علامات موجود ہیں جو مرض لگنے کی نشاندہی کرتی ہیں۔
• پھل کسی خاص معیاری درجے میں آتا معلوم ہوتا ہے۔
• تصویر ایسا نتیجہ دینے کے لیے ناکافی ہے جس پر اعتماد کیا جا سکے۔

اس قسم کا تجزیہ ابتدائی چھانٹی کے لیے مفید ہے۔ مگر یہ لازماً یہ نہیں دکھاتا کہ علامت تصویر میں کہاں ہے، اس کا سبب طے نہیں کرتا، اور احتمال کو حتمی تشخیص میں تبدیل نہیں کرتا۔ چنانچہ اگر نظام کہے کہ تصویر 'مشتبہ' ہے، تو اس کا مطلب یہ ہے کہ عمومی نمونہ ان مثالوں سے مشابہ ہے جن سے اس نے سیکھا۔ محض اس کا مطلب یہ نہیں کہ بیماری کی تصدیق ہو گئی، یا یہ کہ اب علاج معلوم ہو گیا۔ 2۔ شے یا علامت کے مقام کا تعین — شناخت کبھی یہ جاننا کافی نہیں ہوتا کہ تصویر میں کوئی پھل، جڑی بوٹی، یا مشتبہ دھبہ موجود ہے؛ ہمیں یہ بھی جاننا ہوتا ہے کہ وہ کہاں ہے۔ اس صورت میں نظام اُس حصے کے گرد ایک ظاہر دائرہ یا خانہ کھینچتا ہے جسے اس نے شناخت کیا ہے۔ مثلاً کسی پودے کے پتے کا معائنہ کرتے ہوئے، کسی خاص دھبے کے گرد ایک خانہ ظاہر ہو سکتا ہے۔ کھیت کی تصویر کا تجزیہ کرتے وقت، نظام ہر اُس پھل یا جڑی بوٹی کے گرد خانہ رکھ سکتا ہے جسے وہ تلاش کر سکا ہو۔ یہ نتیجہ اس سوال کا جواب دینے میں مدد دیتا ہے: وہ چیز کہاں ہے جسے نظام نے شناخت کیا؟ یہ صارف کو یہ تصدیق کرنے میں بھی مدد دیتا ہے کہ نظام نے درست حصے پر توجہ مرکوز کی۔ ممکن ہے نظام یہ سمجھے کہ اس نے بیماری کی کوئی علامت شناخت کر لی ہے، جبکہ درحقیقت اس نے کسی سائے، مٹی کے کسی ٹکڑے، یا تصویر کے پس منظر کے کسی حصے پر توجہ مرکوز کی ہو۔ مگر دھبے کے مقام کی نشاندہی اس کے ظاہر ہونے کا سبب طے نہیں کرتی۔ ممکن ہے نظام نقصان کے مقام کی درست نشاندہی کرے، جبکہ اس بیماری یا دباؤ کا تعین جو اس کا سبب بنا، اب بھی دیگر معلومات کا متقاضی ہو۔ 3۔ متاثرہ رقبے کی حدود کھینچنا — تقسیم بندی ممکن ہے ہمیں شے کے مقام سے زیادہ جاننے کی ضرورت ہو؛ ممکن ہے ہم یہ جاننا چاہیں کہ وہ بعینہٖ کتنا رقبہ گھیرتی ہے۔ اس کام میں نظام اُس رقبے کو رنگ دیتا ہے جسے وہ نقصان زدہ سمجھتا ہے، یا تصویر پر اس کی حدود کھینچتا ہے۔ پورے پتے کے گرد ایک وسیع خانہ رکھنے کے بجائے، وہ اس کے اندر متاثرہ حصے کی نشاندہی کرنے کی کوشش کرتا ہے۔ اس سے ان میں مدد مل سکتی ہے:

• پتے کے متاثرہ حصے کے تناسب کا تخمینہ لگانا۔
• فضائی تصویر میں نباتاتی احاطے کی مقدار ناپنا۔
• پھل کو پس منظر سے الگ کرنا۔
• کھیت کے کسی حصے کے اندر جڑی بوٹیوں سے ڈھکے رقبے کا تعین کرنا۔
• وقت کے ساتھ متاثرہ رقبے میں تبدیلیوں کا موازنہ کرنا۔

انجینئر تصویر بنانے والے چھوٹے نقطوں کے لیے لفظ 'pixels' استعمال کرتے ہیں، لیکن قاری کو نتیجہ سمجھنے کے لیے اس اصطلاح کی ضرورت نہیں۔ عملی طور پر جو بات اہم ہے وہ یہ ہے کہ نظام اُس علاقے کی درست حدود کھینچنے کی کوشش کر رہا ہے جسے اس نے شناخت کیا ہے۔ اس کے باوجود، نقصان کے رقبے کا تعین یہ ثابت نہیں کرتا کہ اس کا سبب کون سی بیماری تھی۔ ممکن ہے حدود درست ہوں، جبکہ سبب کی تعبیر غلط ہو۔ 4۔ وقت کے ساتھ شے یا حالت کا تعاقب — tracking ویڈیو یا تصاویر کے تسلسل کا تجزیہ کرتے وقت، نظام کو یہ طے کرنے کی ضرورت پیش آ سکتی ہے کہ جو شے اب نظر آ رہی ہے، کیا یہ وہی ہے جو لمحہ بھر پہلے یا کسی پچھلی تصویر میں نمودار ہوئی تھی۔ اسے ان کاموں میں استعمال کیا جا سکتا ہے:

• باڑے کے اندر کسی جانور کی حرکت کا تعاقب۔
• چھانٹی کی لائن پر کسی پھل کا تعاقب۔
• اشیاء کو گنتے ہوئے ایک ہی شے کو ایک سے زیادہ بار شمار نہ کرنا۔
• یکے بعد دیگرے تصاویر میں متاثرہ رقبے کے پھیلاؤ کی نگرانی۔
• کسی عملیاتی علاقے کے اندر مشین یا مزدور کی حرکت کا تعاقب۔

یہاں ہر تصویر میں الگ الگ شے کی شناخت کافی نہیں؛ نظام کو یکے بعد دیگرے فریموں میں اس کی نمودوں کو باہم جوڑنا ہوتا ہے۔ نظام کو دشواری پیش آ سکتی ہے جب شے کسی دوسری شے کے پیچھے چھپ جائے، روشنی بدل جائے، جانور ایک دوسرے پر چڑھ جائیں، یا کیمرہ حرکت کرے۔ لہٰذا تعاقب کے ٹوٹ جانے کو براہ راست اس نتیجے میں نہیں بدلنا چاہیے کہ جانور، پھل، یا مشین واقعی علاقے سے باہر چلی گئی ہے۔ 5۔ فاصلے اور شکل کا تخمینہ — Depth Estimation ایک ہموار تصویر بلندی اور چوڑائی دکھاتی ہے، مگر وہ ہمیشہ حقیقی فاصلہ براہ راست فراہم نہیں کرتی۔ کسی روبوٹ یا چھانٹی کرنے والی مشین کو یہ جاننے کی ضرورت ہو سکتی ہے کہ شے کتنی قریب ہے اور فضا میں اس کی شکل کیا ہے۔ نظام ایک یا زائد کیمرے، یا کوئی موزوں سینسر استعمال کر سکتا ہے تاکہ ان کا تخمینہ لگائے:

• آلے اور پھل کے درمیان فاصلہ۔
• پودے کی بلندی یا کسی خاص شے کی جسامت۔
• کوئی شخص یا جانور حرکت والے علاقے کے کتنے قریب ہے۔
• روبوٹی بازو کی نسبت شاخ کی پوزیشن۔
• اس شے کی شکل جسے پکڑنا یا جس سے بچنا ہے۔

گہرائی کا تخمینہ مشین کو قریب پہنچنے میں مدد دے سکتا ہے، مگر یہ تنہا محفوظ حرکت کی ضمانت کے لیے کافی نہیں۔ نظام کو پھر بھی آلے کی حدود اور رفتار جاننا ہوتی ہے، رکاوٹ نمودار ہونے پر رکنا ہوتا ہے، اور اس بات کی توثیق کرنی ہوتی ہے کہ پیمائش گرد، ارتعاش، یا کم دِید کی وجہ سے بدل تو نہیں گئی۔ کام کی درست تعریف کیوں ضروری ہے؟ وژن کے کام کا انتخاب اس عمل سے جڑا ہے جو نتیجہ ظاہر ہونے کے بعد درکار ہوتا ہے۔ اگر مقصد یہ جاننا ہے کہ تصویر میں پھل موجود ہے یا نہیں، تو تصویر کی درجہ بندی کافی ہو سکتی ہے۔ لیکن اگر مقصد پھلوں کو گننا ہے، تو نظام کو ہر پھل کا انفرادی طور پر تعین کرنا ہوگا۔ اور اگر مقصد کسی روبوٹی بازو کو پھل توڑنے کی رہنمائی دینا ہے، تو اسے اس کی پوزیشن، فاصلہ، اور شکل جاننی ہوگی، اور پھر اس معلومات کو محفوظ حرکت میں تبدیل کرنا ہوگا۔ اسی طرح، یہ جان لینا کہ کسی تصویر میں جڑی بوٹیاں موجود ہیں، کسی میکانکی آلے کو ان کی طرف رہنمائی دینے کے لیے کافی نہیں۔ نظام کو چاہیے کہ:

1. ہر جڑی بوٹی کی شناخت کرے۔
2. انہیں فصل سے ممیز کرے۔
3. مشین کی نسبت اس کی پوزیشن کا تعین کرے۔
4. آلے کی حرکت کا حساب لگائے۔
5. توثیق کرے کہ کوئی شخص، جانور، یا غیر متوقع شے موجود نہیں۔
6. اگر اعتماد گر جائے یا ڈیٹا متصادم ہو تو عمل درآمد روک دے۔

اس سلسلے کا ہر مرحلہ غلطی کے ایک نئے امکان کا اضافہ کرتا ہے۔ اسی لیے کسی نظام کو محض اس بنا پر محفوظ قرار دینا درست نہیں کہ وژن ماڈل نے آزمائشی تصاویر پر اچھی کارکردگی دکھائی۔ کھیت کی تصویر لیبارٹری کی تصویر سے کیوں مختلف ہوتی ہے؟ زرعی تصاویر فطری طور پر متغیر ہوتی ہیں۔ ایک ہی پتہ ان وجوہ سے مختلف نظر آ سکتا ہے:

• صبح یا دوپہر کی روشنی۔
• سایہ۔
• کیمرے کا زاویہ۔
• فون یا کیمرے کی قسم۔
• لینس کا قریب یا دور ہونا۔
• گرد یا نمی۔
• پس منظر۔
• پودے کا نشو و نما کا مرحلہ۔
• ایک دوسرے پر چڑھے ہوئے پتے۔
• علامات کی شدت اور ان کا مرحلہ۔

مختلف اسباب سے پیدا ہونے والی علامات بھی ایک دوسرے سے مشابہ ہو سکتی ہیں۔ غذائی اجزا کی کمی کی بعض نشانیاں ایک ہی تصویر میں بیماری یا پانی کے دباؤ کی علامات سے ملتی جلتی نظر آ سکتی ہیں۔ لہٰذا کسی نظام کا کوئی بصری نمونہ پہچان لینا اس بات کا مطلب نہیں کہ اس نے زرعی سبب ثابت کر دیا ہے۔ ایک ماڈل جو صاف پس منظر پر رکھے گئے انفرادی پتوں پر تربیت یافتہ ہو، لیبارٹری میں مضبوط دکھائی دے سکتا ہے، مگر جب وہ کھیت میں ایک دوسرے پر چڑھے پتے، بدلتے سائے، گرد، کیڑے، اور ابتدائی مرحلے کی علامات دیکھے تو اسے ایک بالکل مختلف حقیقت کا سامنا ہو سکتا ہے۔ اس لیے تربیتی اور آزمائشی تصاویر کو ان حالات کی نمائندگی کرنی چاہیے جن میں نظام واقعتاً کام کرے گا، نہ کہ ان بہترین حالات کی جن میں کوئی تصویر لی جا سکتی ہے۔ جب نظام اپنی صلاحیت ثابت کرنے کے بجائے امتحان کو یاد کر لیتا ہے نظام کی تربیت کے لیے استعمال ہونے والی تصاویر کو اس کی جانچ کے لیے استعمال ہونے والی تصاویر سے الگ رکھنا ضروری ہے۔ لیکن یہ علیحدگی فائلوں میں درست دکھائی دیتے ہوئے بھی حقیقت میں گمراہ کن ہو سکتی ہے۔ فرض کیجیے ہم نے ایک ہی پودے کی دس نہایت مشابہ تصاویر چند منٹوں کے اندر لیں، پھر ان میں سے کچھ تصاویر تربیتی ڈیٹا میں اور کچھ آزمائشی ڈیٹا میں رکھ دیں۔ نظام پودے، پس منظر، یا کیمرے کے زاویے کی تفصیلات پہچان سکتا ہے، کیونکہ آزمائشی تصویر اس چیز سے انتہائی مشابہ ہے جو وہ پہلے دیکھ چکا ہے۔ اسے تربیتی اور آزمائشی ڈیٹا کے درمیان غیر ارادی تداخل کہا جاتا ہے، اور اصطلاحی طور پر یہ "data leakage" کے نام سے جانا جاتا ہے۔ یہ ایسا ہی ہے جیسے کسی طالب علم کو مسائل کے ایک مجموعے پر تربیت دی جائے، پھر اسی مجموعے پر ترتیب یا کچھ الفاظ بدل کر اس کا امتحان لیا جائے۔ طالب علم کو اعلیٰ نمبر مل سکتے ہیں، مگر امتحان یہ ثابت نہیں کرتا کہ وہ کوئی نیا مسئلہ حل کر سکتا ہے۔ لہٰذا زرعی جانچ اُس وقت زیادہ مضبوط ہوتی ہے جب وہ ان کو الگ کرے:

• مکمل پودے، نہ کہ محض تصاویر۔
• مکمل کھیت۔
• مختلف فارم۔
• آزاد موسم۔
• مختلف تصویری آلات۔
• وہ اقسام یا نشو و نما کے مراحل جو تربیت میں شامل نہیں تھے۔

اور اصل سوال یہ نہیں: کیا نظام ان تصاویر پر کامیاب ہوا جو اس نے پہلے فائلوں کی صورت میں نہیں دیکھی تھیں؟ بلکہ: کیا وہ کسی ایسے فارم، موسم، یا آلے کے ساتھ کامیاب ہوا جس کے ڈیٹا سے اس نے پہلے سیکھا نہیں تھا؟ "مجموعی درستی" گمراہ کن کیوں ہو سکتی ہے؟ کسی وژن ماڈل کو پرکھنے کے لیے ایک واحد مجموعی نتیجہ کافی نہیں۔ فرض کیجیے، ایک سادہ عددی مثال میں، کہ آزمائشی مجموعے میں ایک ہزار تصاویر ہیں:

• 950 صحت مند تصاویر۔
• 50 تصاویر جو کسی اہم بیماری سے متاثر ہیں۔

اگر کوئی کمزور ماڈل کہے کہ تمام تصاویر صحت مند ہیں، تو وہ ایک ہزار میں سے 950 تصاویر پر درست ہوگا، اور اس کی مجموعی درستی 95% دکھائی دے سکتی ہے۔ لیکن اس ماڈل نے بیماری کا ایک بھی معاملہ نہیں پکڑا، اور اسی لیے وہ اُس کام کے لیے بے کار ہے جس کے لیے اسے بنایا گیا تھا۔ اسی وجہ سے ہمیں یہ پوچھنا چاہیے:

• وہ بیماری کے کتنے معاملات پکڑ سکا؟
• اس نے بیماری کے کتنے معاملات کو صحت مند قرار دیا؟
• اس نے کتنے جھوٹے الارم جاری کیے؟
• کیا کارکردگی مختلف بیماریوں یا اقسام کے لحاظ سے مختلف ہے؟
• کیا تصویر واضح نہ ہونے پر وہ جواب دینے سے گریز کر سکتا ہے؟
• جب اسے ایسا معاملہ پیش آئے جو تربیتی ڈیٹا میں شامل نہیں تھا تو کیا ہوتا ہے؟

اگر سب سے خطرناک غلطی یہ ہے کہ کسی نایاب اور سنگین معاملے کو صحت مند قرار دے دیا جائے، تو اس مخصوص معاملے کو پکڑنے کی نظام کی صلاحیت کو ناپنا ضروری ہے، بجائے اس کے کہ ایسے اوسط پر اکتفا کیا جائے جو عام درجات کی بدولت پھولا ہوا ہو۔ شے کو دیکھنے سے مشین کو حرکت دینے تک روبوٹکس میں، کام اُس وقت ختم نہیں ہوتا جب نظام کسی پھل یا جڑی بوٹی کو پہچان لے۔ نتیجے کو ایک اور سلسلے سے گزرنا ہوتا ہے: شے کو دیکھنا ← اس کے مقام کا تعین ← اس مقام کو ایسے متناسقات میں تبدیل کرنا جنہیں مشین سمجھ سکے ← حرکت کی منصوبہ بندی ← اس پر عمل درآمد ← نتیجے کی توثیق ← خطرہ موجود ہونے پر رک جانا اس سلسلے کا ہر حصہ غلطی کا ایک آزاد سرچشمہ ہو سکتا ہے۔ ماڈل پھل کو درست پہچان سکتا ہے، پھر بھی بازو مشین کے ارتعاش کی وجہ سے کسی غیر درست مقام کی طرف حرکت کر سکتا ہے۔ یا مقام درست ہو، مگر حرکت والے علاقے میں کسی مزدور کا ہاتھ نمودار ہو جائے۔ یا کمانڈ بھیجے جانے کے بعد اور اس کے عمل درآمد کی تصدیق سے پہلے رابطہ منقطع ہو جائے۔ لہٰذا نظام میں یہ شامل ہونا چاہیے:

• رفتار اور قوت پر حدود۔
• انسانوں اور جانوروں کے گرد ایک حفاظتی دائرہ۔
• ایک مقامی توقف کا طریقۂ کار جو رابطے پر منحصر نہ ہو۔
• اس بات کی توثیق کہ عمل کامیاب رہا۔
• محفوظ حالت میں واپس آنے کی صلاحیت۔
• مزدور کے لیے عمل کو روکنے یا اس پر بالادست فیصلہ کرنے کا واضح اختیار۔

اور جو اصول واضح رہنا چاہیے وہ یہ ہے: ممکن ہے کوئی ماڈل شے کو دیکھنے میں کامیاب رہے جبکہ نظام اسے محفوظ طریقے سے نمٹانے میں ناکام ہو جائے۔ تصویر کی درستی فیصلے کی درستی نہیں، اور فیصلے کی درستی عمل درآمد کی سلامتی نہیں۔ کسی زرعی وژن نظام پر اعتماد کرنے سے پہلے کے عملی سوالات کوئی کسان یا خریدار یہ پوچھ سکتا ہے:

• مخصوص کام کیا ہے: تصویر کی درجہ بندی، مقام کا تعین، رقبے کی پیمائش، یا مشین کی رہنمائی؟
• کیا آزمائشی تصاویر آزاد کھیتوں اور موسموں سے جمع کی گئیں؟
• کیا تصاویر میں روشنی کے وہ حالات، آلات، اور اقسام شامل ہیں جو میرے فارم پر پائے جاتے ہیں؟
• نظام کن معاملات میں امتیاز کرنے میں ناکام رہتا ہے؟
• کیا وہ غلطیوں کی مثالیں دکھاتا ہے، یا صرف بہترین معاملات؟
• کیا وہ یہ کہہ سکتا ہے کہ تصویر ناکافی ہے؟
• نتیجے کے بعد کیا ہوتا ہے: ایک انتباہ، ایک سفارش، یا خودکار عمل درآمد؟
• کوئی حساس عمل انجام پانے سے پہلے نتیجے پر نظرثانی کون کرتا ہے؟
• اگر کوئی شخص نمودار ہو جائے یا اعتماد گر جائے تو مشین کیسے رکتی ہے؟

اختتامیہ کمپیوٹر وژن مشین کو انسانی آنکھ یا مکمل زرعی فہم عطا نہیں کرتا۔ یہ نظام کو تصاویر اور ویڈیو سے مخصوص معلومات نکالنے میں مدد دیتا ہے: کسی عمومی حالت کی شناخت، کسی شے کو تلاش کرنا، کسی علاقے کی حدود کھینچنا، حرکت کا تعاقب، یا فاصلے کا تخمینہ۔ اس معلومات کی قدر تین چیزوں سے متعین ہوتی ہے:

1. کیا بصری سوال اس طرح ترتیب دیا گیا ہے کہ وہ مطلوبہ فیصلے کے لیے موزوں ہو؟
2. کیا تصاویر کھیت کے حقیقی حالات کی نمائندگی کرتی ہیں؟
3. کیا نتیجے کو واضح ذمہ داری کے ساتھ ایک محفوظ نظام کے ذریعے عمل میں ترجمہ کیا گیا ہے؟

اس سے قاری اُس نظام میں اور اِس نظام میں فرق کر سکتا ہے جو کسی مختصر تجربے میں ایک قائل کرنے والی تصویر پیش کرتا ہے، اور اُس نظام میں جسے واقعی کھیت کی روشنی، گرد، تنوع، اور سلامتی کی حدود میں کام کرنے کے لیے جانچا گیا ہو۔

5۔ احتمالی ماڈل اور سببی استنباط: کیا متوقع ہے، اور مداخلت کیا بدل سکتی ہے؟

زرعی نظاموں کو دو مختلف قسم کے سوالات کا سامنا ہوتا ہے، اور ان کے الفاظ مشابہ لگ سکتے ہیں حالانکہ ان کا جواب دینے کے لیے مختلف شواہد درکار ہوتے ہیں۔ پہلا سوال یہ ہے: اگر موجودہ حالات جاری رہیں تو کیا ہونے کا امکان ہے؟ مثال کے طور پر، ہم پوچھ سکتے ہیں:

• موسم کے اختتام پر متوقع پیداوار کیا ہوگی؟
• آنے والے دنوں میں پانی کا دباؤ پیدا ہونے کا احتمال کیا ہے؟
• اس بات کا احتمال کیا ہے کہ علامات کسی خاص بیماری سے وابستہ ہیں؟
• آنے والے ہفتے میں کتنی پیداوار گودام تک پہنچ سکتی ہے؟

یہ پیشین گوئی کے سوالات ہیں۔ یہاں نظام موسم، مٹی، فصل، اور پچھلے انتظام کے بارے میں اپنے علم کو استعمال کرتے ہوئے ایسے نتیجے کا تخمینہ لگانے کی کوشش کرتا ہے جو ابھی وقوع پذیر نہیں ہوا۔

اس کے برعکس، دوسرا سوال یہ ہے: اگر ہم کوئی چیز بدل دیں تو کیا ہوگا؟ مثال کے طور پر، ہم پوچھ سکتے ہیں:

• اگر آبپاشی کا وقت بدل جائے تو نتیجے کا کیا بنے گا؟
• کیا انتظامی طریقوں میں سے کسی ایک کو بدلنے سے پیداوار بہتر ہوگی؟
• کیا کسی پمپ کے چلنے کا وقت کم کرنے سے پانی کا استعمال گھٹے گا بغیر اس کے کہ فصل پر دباؤ پڑے؟
• کیا جو علاج کیا گیا وہی بہتری کا سبب تھا، یا بہتری کسی اور وجہ سے واقع ہوئی؟

یہ سببی سوالات ہیں، کیونکہ یہ محض یہ بیان نہیں کرتے کہ کیا ہو سکتا ہے؛ یہ اُس عمل کے اثر کے بارے میں پوچھتے ہیں جو ہم کرنا چاہتے ہیں۔ باہمی تعلق یہ ثابت نہیں کرتا کہ ایک عامل دوسرے کا سبب ہے۔ ڈیٹا سے یہ ظاہر ہو سکتا ہے کہ جن کھیتوں میں کسی خاص زرعی مدخل کی زیادہ مقدار استعمال ہوئی، انہوں نے زیادہ پیداوار حاصل کی۔ یہ ایک ایسا تعلق ہے جو مطالعے کے لائق ہے، مگر یہ ثابت نہیں کرتا کہ اُس مدخل میں اضافہ ہی زیادہ پیداوار کا سبب بنا۔

دیگر توجیہات بھی ہو سکتی ہیں، مثلاً:

• کہ ان کھیتوں کی مٹی ابتدا ہی سے بہتر تھی۔
• کہ وہاں آبپاشی زیادہ باقاعدہ تھی۔
• کہ ان کا انتظام سنبھالنے والے کسان زیادہ تجربہ کار تھے۔
• کہ ان کے مالکان کے پاس بہتر آلات تھے۔
• کہ وہ مدخل ان کھیتوں میں استعمال ہوا جن میں مختلف فصلیں یا اقسام تھیں۔
• کہ ان کے مقامات پر موسمی حالات زیادہ سازگار تھے۔
• کہ کسان نے ایسی کسی حالت کے جواب میں مدخل بڑھایا جو ڈیٹا میں ریکارڈ نہیں ہوئی۔

اس صورت میں، ممکن ہے مدخل اور پیداوار ساتھ ساتھ ظاہر ہوں، جبکہ فرق کا اصل سبب کوئی اور عامل یا عوامل کا مجموعہ ہو۔ یہ اس مشاہدے کے مشابہ ہے کہ جو فارم زیادہ سینسر استعمال کرتے ہیں وہ بہتر نتائج حاصل کرتے ہیں۔ یہ اکیلا اس بات کو ثابت نہیں کرتا کہ سینسر خریدنے سے ہر فارم کا نتیجہ بہتر ہوگا؛ ممکن ہے جو فارم سینسر خریدنے کی استطاعت رکھتے ہیں وہ پہلے ہی سے بہتر آلات، بہتر مالی وسائل، اور بہتر انتظام کے حامل رہے ہوں۔ چنانچہ باہمی تعلق نمونے دریافت کرنے اور پیشین گوئیاں بنانے کے لیے مفید ہے، مگر تنہا یہ اس سوال کا جواب نہیں دیتا:

کیا کسی دوسرے فارم پر اس عامل کو بدلنے سے وہی نتیجہ نکلے گا؟ یہ امتیاز کسان کے لیے کیوں اہم ہے؟ یہ امتیاز کوئی تجریدی شماریاتی بحث نہیں جو کھیت سے کوسوں دور ہو۔ اگر نظام کسی متغیر اور پیداوار کے درمیان کوئی تعلق پا لے، پھر اسے براہ راست ایک سفارش میں بدل دے، تو وہ باہمی تعلق کے مشاہدے سے سببیت فرض کر لینے کی طرف منتقل ہو گیا ہے۔ ایک نظام جو یہ پیشین گوئی کرتا ہے کہ فلاں کھیت زیادہ پیداوار حاصل کرے گا، ضروری نہیں کہ یہ جانتا ہو کہ کسی دوسرے کھیت سے وہی پیداوار کیسے حاصل کی جائے۔ ممکن ہے اس کی پیشین گوئی کی صلاحیت ایسے عوامل پر مبنی ہو جنہیں کسان بدل نہیں سکتا، جیسے مٹی کی قسم، مقام کی تاریخ، یا موسمی حالات۔ اسی طرح، ممکن ہے کوئی نظام یہ پیشین گوئی کرنے کے قابل ہو کہ کون سے کھیت دباؤ کے لیے سب سے زیادہ حساس ہیں، مگر یہ خودبخود یہ ثابت نہیں کرتا کہ اس کی تجویز کردہ کوئی بھی مداخلت دباؤ کو روک دے گی یا کوئی معاشی فائدہ پہنچائے گی۔ اسی وجہ سے تین مراحل میں امتیاز کرنا ضروری ہے:

1. مشاہدہ: ڈیٹا میں کون سا تعلق ظاہر ہوا؟
2. تعبیر: اس تعلق کی ممکنہ وجوہ کیا ہیں؟
3. مداخلت: اس بات کے کیا شواہد ہیں کہ کسی خاص عامل کو بدلنے سے نتیجہ بدل جائے گا؟

ہم ایک مرحلے سے اگلے مرحلے کی طرف جتنا آگے بڑھتے ہیں، ہمیں اتنے ہی مضبوط شواہد درکار ہوتے ہیں۔ ہم کسی مداخلت کے اثر کو جاننے کے قریب کیسے پہنچتے ہیں؟ یہ طے کرنے کے لیے کہ فرق پیدا کرنے والی چیز مداخلت ہی تھی، ہمیں ایسے طریقے کی ضرورت ہے جو حتی الوسع اس کے اثر کو دیگر عوامل کے اثرات سے الگ کرے۔ یہ ان ذرائع سے حاصل ہو سکتا ہے:

• ایک موزوں میدانی تجربہ جو مخصوص علاجوں کا موازنہ کرے۔
• علاجوں کو اس طرح تقسیم کرنا کہ گروہوں کے درمیان پہلے سے موجود اختلافات کم ہو جائیں۔
• ایسے کھیتوں یا قطعات کا موازنہ جو حتی الامکان باہم مشابہ ہوں۔
• مداخلت سے پہلے اور بعد کے حالات کی پیمائش، ایک واضح خط اساس کے ساتھ۔
• ایسا سببی تجزیاتی ڈیزائن استعمال کرنا جو اپنے مفروضات اور حدود بیان کرے۔
• ایسے زرعی یا حیاتیاتی علم سے استفادہ کرنا جو یہ وضاحت کرے کہ یہ عامل نتیجے تک کیسے لے جا سکتا ہے۔
• نتیجے کو مختلف مقامات یا موسموں میں دہرانا۔

اور 'سببی استنباط' نامی طریقہ استعمال کرنے کا یہ مطلب بھی نہیں کہ کوئی تعلق محض اس لیے سببی ہو گیا کہ سافٹ ویئر نے اسے ایک عدد سونپ دیا۔ ہر سببی تجزیہ مفروضات پر منحصر ہوتا ہے: کون سے عوامل ناپے گئے؟ کون سے عوامل غائب تھے؟ کیا گروہ قابلِ موازنہ تھے؟ اور کیا سبب زمانی اعتبار سے نتیجے سے پہلے واقع ہوا؟ اور کوئی الگورتھم کسی ایسے اہم عامل کی تلافی نہیں کر سکتا جو ناپا یا ریکارڈ نہ کیا گیا ہو، سوائے اس کے کہ وہ ایسے اضافی مفروضات پر انحصار کرے جنہیں صریح طور پر بیان کیا جانا چاہیے۔ عملی اصول: جو ماڈل پیشین گوئی میں اچھا ہے وہ ضروری نہیں کہ مداخلت کے اثر کا تخمینہ لگانے میں بھی اچھا ہو۔ نتیجے کی درست پیشین گوئی یہ ثابت نہیں کرتی کہ نظام یہ جانتا ہے کہ اس نتیجے کو کیسے بدلا جائے۔ احتمالی ماڈل کیا اضافہ کرتے ہیں؟ بہت سی زرعی صورتوں میں، ڈیٹا کسی قطعی جواب کے لیے کافی نہیں ہوتا۔ ممکن ہے تصویر واضح نہ ہو، علامات آپس میں گڈمڈ ہوں، موسم کا ریکارڈ نامکمل ہو، یا سینسر کی ریڈنگ غیر مستحکم ہو۔ اس کمی کو چھپانے کے بجائے، احتمالی ماڈل غیر یقینی صورت حال کے درجے کو بیان کرنے کی کوشش کرتے ہیں۔ آئیے تصور کریں کہ کسی فصل کے پتوں پر دھبے نمودار ہو رہے ہیں۔ ممکنہ اسباب یہ ہو سکتے ہیں:

• ایک پھپھوندی سے پیدا ہونے والی بیماری۔
• غذائی جزو کی کمی۔
• پانی کا دباؤ۔
• گرمی یا دھوپ سے نقصان۔
• میکانکی نقصان۔
• ایک ہی وقت میں ایک سے زیادہ سبب۔

اگر نظام ایک واحد تصویر پر انحصار کرے، تو ممکن ہے وہ ان اسباب کے درمیان اعتماد کے ساتھ امتیاز نہ کر سکے۔ لہٰذا اسے سیدھا کسی ایک تشخیص کی طرف نہیں جانا چاہیے؛ بلکہ وہ امکانات کی درجہ بندی کر سکتا ہے اور بتا سکتا ہے کہ انہیں محدود کرنے کے لیے اسے کیا درکار ہے۔ تفریقی تشخیص سے یہی مراد ہے: علامات کی کئی ممکنہ توجیہات کا موازنہ کرنا، پھر ایسی معلومات جمع کرنا جو بعض کو خارج کرنے اور بعض کو مضبوط کرنے میں مدد دیں۔ مثال کے طور پر، نظام یہ طلب کر سکتا ہے:

• پتے کی نچلی سطح کی ایک تصویر۔
• اس بات کی وضاحت کہ کھیت کے اندر علامات کس طرح پھیلی ہوئی ہیں۔
• آیا علامات نئے پتوں پر نمودار ہوئیں یا پرانے پتوں پر۔
• درجۂ حرارت اور نمی کا ریکارڈ۔
• آبپاشی یا پچھلے علاجوں کے بارے میں معلومات۔
• ضرورت پڑنے پر کھیت کا معائنہ یا کوئی موزوں ٹیسٹ۔

جوں جوں ہر نئی معلومات پہنچتی ہے، نظام امکانات کی درجہ بندی پر نظرثانی کرتا ہے۔ یہاں قدر کسی نام کے تعین کی رفتار میں نہیں، بلکہ اس بات کو منظم کرنے میں ہے کہ ہم کیا جانتے ہیں اور کیا نہیں جانتے، اور یہ متعین کرنے میں ہے کہ اگلی سب سے زیادہ مفید معلومات کون سی ہے۔ احتمال عددی صورت میں قائل کرنے والا یقین نہیں ہے نظام کہہ سکتا ہے: اس حالت کا احتمال 80% ہے۔ مگر اس عدد کا مطلب کیا ہے؟ اس کا مطلب یہ نہیں کہ انفرادی پتہ '80% متاثر' ہے، اور نہ ہی یہ مطلب ہے کہ پتے کا 80% حصہ متاثر ہے۔ اگر نظام درست طور پر معیار بند ہو، تو اس کا مطلب یہ ہے کہ جب وہ بہت سے مشابہ معاملات کو 80% کے قریب احتمال سونپے، تو نتیجہ ہر سو میں سے تقریباً اسّی معاملات میں واقع ہونا چاہیے، نہ کہ تمام معاملات میں۔ اعتماد کے اعداد اور حقیقتاً جو ہوتا ہے، ان کے درمیان مطابقت کو احتمال کی معیار بندی کہا جاتا ہے۔ فرض کیجیے کسی نظام نے سو معاملات کو 80% کے قریب احتمال سونپا:

• اگر نتیجہ تقریباً اسّی معاملات میں درست ثابت ہو، تو اس کا اعتماد حقیقت سے نسبتاً ہم آہنگ ہے۔
• اگر یہ صرف پچاس معاملات میں درست ثابت ہو، تو نظام ضرورت سے زیادہ پُراعتماد ہے۔
• اگر یہ پچانوے معاملات میں درست ثابت ہو، تو ممکن ہے نظام اپنے نتائج کے جواز سے کم پُراعتماد ہو۔

یہ موازنہ کسی ایک معاملے پر نہیں کیا جاتا، بلکہ ایسے ہی معاملات کی مناسب تعداد پر کیا جاتا ہے۔ معاملات کی درجہ بندی کا مطلب یہ نہیں کہ احتمال کے اعداد درست ہیں ممکن ہے نظام معاملات کو زیادہ سے کم احتمال کے مطابق ترتیب دینے میں کامیاب ہو جائے، پھر بھی گمراہ کن اعتماد کے اعداد مختص کرے۔ جس معاملے کو اس نے 90% دیا، وہ واقعی اُس معاملے سے زیادہ محتمل ہو سکتا ہے جسے اس نے 60% دیا، اور اس معنی میں نظام کی درجہ بندی مفید ہے۔ لیکن اگر جن معاملات کو اس نے 90% دیا وہ صرف 65% مواقع پر درست ثابت ہوں، تو اس کے اعتماد کے اعداد بڑھا چڑھا کر پیش کیے گئے ہیں۔ چنانچہ دو الگ سوالات ہیں:

1. کیا نظام معاملات کو مفید طریقے سے درجہ بند کرتا ہے؟
2. کیا احتمال کے اعداد حقیقت کی قابلِ قبول حد تک عکاسی کرتے ہیں؟

ممکن ہے وہ پہلے میں کامیاب ہو اور دوسرے میں ناکام۔ کسی نئے فارم پر منتقل ہونے پر اعتماد کیوں بدل جاتا ہے؟ کسی نظام کے احتمالات اُس ماحول میں بخوبی متعین ہو سکتے ہیں جس میں اس کی جانچ ہوئی، اور پھر کسی دوسری جگہ منتقل ہونے پر گمراہ کن ہو جائیں۔ یہ ان امور کے فرق کی وجہ سے ہو سکتا ہے:

• قسمِ فصل۔
• نشو و نما کا مرحلہ۔
• آب و ہوا۔
• حالت کے پھیلاؤ کی وسعت۔
• کیمرہ یا سینسر۔
• تصویر کا معیار۔
• انتظامی طریقے۔
• نادر اور عام معاملات کا تناسب۔
• تشخیص کی تصدیق کے لیے استعمال ہونے والا طریقہ۔

اس لیے فراہم کنندہ کا یہ دکھانا کافی نہیں کہ احتمالات ترقیاتی ڈیٹا میں موزوں تھے۔ منتقلی کے بعد اعتماد کی نگرانی کرنی ہوگی، اس کا حقیقی نتائج سے موازنہ کرنا ہوگا، اور ضرورت پڑنے پر اسے از سر نو متعین کرنا ہوگا۔ از سر نو تعین ماڈل کو خودبخود موزوں نہیں بنا دیتا اگر نیا ماحول بنیادی طور پر مختلف ہو؛ نئے ڈیٹا یا خود استعمال کے دائرے پر نظرثانی درکار ہو سکتی ہے۔ نتیجہ صارف کے سامنے کیسے پیش کیا جانا چاہیے؟ مثالی طور پر، نظام کو کوئی سادہ عدد یا قطعی جواب پیش نہیں کرنا چاہیے، بلکہ نتیجے کو چار تہوں میں ظاہر کرنا چاہیے: 1\. سب سے زیادہ محتمل نتیجہ اور غیر یقینی صورت حال مثال کے طور پر: کئی ممکنہ اسباب ہیں، اور موجودہ ڈیٹا ان میں سے کسی ایک کی تصدیق کے لیے ناکافی ہے۔ یا: تخمینہ ایک خاص دائرے میں آتا ہے اور موسم یا انتظام بدلنے پر بدل سکتا ہے۔ 2\. وہ شواہد جنہوں نے وزن پر اثر ڈالا مثال کے طور پر: نمی کی کم ریڈنگز اور بلند درجۂ حرارت کی وجہ سے پانی کے دباؤ کا احتمال بڑھا، مگر ایک سینسر کی ریڈنگ غائب ہے۔ 3\. مفقود معلومات اور اگلا قدم مثال کے طور پر: امکانات کو محدود کرنے سے پہلے سینسر کی جانچ درکار ہے، یا ایک اضافی تصویر، یا علامات کی تقسیم کی تفصیل، یا کسی ماہر کی نظرثانی درکار ہے۔ 4\. فیصلے اور ذمہ داری کی حدود مثال کے طور پر: یہ نتیجہ ایک ابتدائی انتباہ ہے، کوئی تصدیق شدہ تشخیص یا علاج کرنے کی ہدایت نہیں۔ اس طرح احتمال فیصلے کو ترتیب دینے کا آلہ بن جاتا ہے، نہ کہ ایسا عدد جو نظام کو ایسا اختیار دے دے جو اس کے پاس ہے ہی نہیں۔ عملی مثال: پیداوار کی پیشین گوئی اسے بڑھانے کا نسخہ نہیں فرض کیجیے کوئی ماڈل ان کی بنیاد پر پیداوار کی پیشگوئی کرتا ہے:

• مٹی کی قسم۔
• موسم۔
• قسم۔
• کارروائیوں کا وقت۔
• آبپاشی کے ریکارڈ۔
• پچھلے موسموں کا ڈیٹا۔

ممکن ہے ماڈل اچھی پیشگوئی کرے کیونکہ اس نے سیکھ لیا ہے کہ بہتر مٹی اور زیادہ مستقل مزاج انتظام والے بعض کھیت زیادہ پیداوار دیتے ہیں۔ لیکن اگر وہ یہ بھی دیکھے کہ زیادہ پیداوار کسی ایک مداخل میں اضافے کے ساتھ وابستہ تھی، تو ممکن ہے وہ براہِ راست یہ نتیجہ اخذ نہ کرے کہ تمام کھیتوں میں اس مداخل کو بڑھانے سے پیداوار بڑھے گی۔ ممکن ہے وہ اضافہ صرف بعض کھیتوں یا حالات کے لیے موزوں ہو، یا محض ایک ایسا نشان ہو جو بہتر انتظام والے فارموں کے ساتھ وابستہ ہے۔ پیشگوئی کرنے والا ماڈل اس سوال کا جواب دیتا ہے: ان حالات میں محتمل پیداوار کیا ہے؟ اس کے برعکس، کسی مداخلت کے اثر کا تخمینہ یہ پوچھتا ہے: اگر ہم صرف اس ایک عامل کو بدلتے، جبکہ باقی عوامل مماثل رہتے، تو پیداوار میں کیا فرق آتا؟ دوسرا سوال مشکل تر ہے، کیونکہ اس کا تعلق ایسے متبادل نتیجے سے ہے جو ہم نے اسی کھیت میں اسی وقت مشاہدہ نہیں کیا۔ اسی لیے اس کے لیے ڈیزائن، تجربہ، اور ایسے واضح تر مفروضے درکار ہوتے ہیں، بجائے اس کے کہ محض ریکارڈوں میں تعلق کا مشاہدہ کر لیا جائے۔ کسی شماریاتی تعلق پر مبنی سفارش قبول کرنے سے پہلے عملی سوالات قاری یہ پوچھ سکتا ہے:

• کیا نظام کوئی پیشگوئی فراہم کرتا ہے، یا وہ کسی مداخلت کے اثر کا تخمینہ لگانے کا دعویٰ کرتا ہے؟
• کون سے دیگر عوامل اس بظاہر نظر آنے والے تعلق کی وضاحت کر سکتے ہیں؟
• کیا خود مداخلت کی جانچ کی گئی، یا محض پچھلے ڈیٹا میں اس کا مشاہدہ کیا گیا؟
• کیا کھیت یا گروہ باہم مماثل تھے؟
• کون سے اہم عوامل ناپے ہی نہیں گئے؟
• کیا نتیجہ مختلف مقامات اور موسموں میں دہرایا گیا؟
• کیا نظام کوئی دائرہ اور احتمال پیش کرتا ہے، یا ایک قطعی عدد؟
• کیا مقامی ماحول میں منتقلی کے بعد اعتماد کے اعداد کی درستی جانچی گئی؟
• کون سی مزید معلومات غیر یقینی صورت حال کو کم کر سکتی ہیں؟
• نتیجے کو عمل میں بدلنے کا اختیار کس کے پاس ہے؟

امتیاز کا اصول یہ فرق تین سوالوں میں سمویا جا سکتا ہے:

• اب کیا ہو رہا ہے؟ پیمائشی یا تشخیصی سوال۔
• بعد میں کیا ہونے کا احتمال ہے؟ پیشگوئی کا سوال۔
• اگر ہم مداخلت کریں تو کیا بدلے گا؟ ایک سببی سوال جس کے لیے مضبوط تر شواہد درکار ہیں۔

ذمہ دار نظام یہ بتاتا ہے کہ وہ کس قسم کے سوال کا جواب دیتا ہے، اور تعلق کو سببیت میں، پیشگوئی کو نسخے میں، یا احتمال کو یقین میں نہیں بدلتا۔

6۔ بہینہ سازی اور عملیاتی تحقیق

پیشگوئی بتاتی ہے کہ کیا ہو سکتا ہے، جبکہ بہینہ سازی متعین رکاوٹوں کے تحت بہت سے متبادلات میں سے کوئی عمل یا منصوبہ تلاش کرتی ہے۔ وہ محدود پانی کو مختلف حصوں میں تقسیم کر سکتی ہے، وصولی کا راستہ ترتیب دے سکتی ہے، برداشت، نقل و حمل اور ٹھنڈک کے عمل میں ہم آہنگی پیدا کر سکتی ہے، یا باہم مسابقتی وقفوں میں مزدوروں اور مشینوں کو تفویض کر سکتی ہے۔ بہینہ سازی کا مسئلہ تین چیزوں پر مشتمل ہوتا ہے:

1. وہ فیصلے جنہیں بدلا جا سکتا ہے: ہمیں کب آبپاشی کرنی چاہیے؟ گاڑی کو کون سا راستہ اختیار کرنا چاہیے؟ کون سی کھیپ پہلے ٹھنڈی کی جائے؟
2. وہ رکاوٹیں جنہیں نظر انداز نہیں کیا جا سکتا: پمپ کی استعداد، وقت، ذخیرہ، سلامتی، توانائی، مزدوری، اور زرعی حدود۔
3. وہ مقصد جسے ہم بہتر بنانا چاہتے ہیں: پانی، وقت، یا نقصانات میں کمی، یا کئی مقاصد کے درمیان توازن۔

آئیے تین ایسے حصوں کا تصور کریں جنہیں آبپاشی درکار ہے، جبکہ پمپنگ کی استعداد انہیں بیک وقت چلانے کی اجازت نہیں دیتی۔ نظام ایسا شیڈول تجویز کر سکتا ہے جو پانی کی حالت، فصل کی ترجیح، اور توانائی کی قیمتوں کو ملحوظ رکھے۔ لیکن اگر ہدف کا فنکشن صرف بجلی کے استعمال کو کم سے کم کرتا ہو، تو ممکن ہے وہ کسی حساس حصے میں تاخیر کر دے۔ اور اگر وہ صرف متوقع پیداوار کو زیادہ سے زیادہ کرتا ہو، تو ممکن ہے وہ کسی چھوٹے کسان کے حصے یا پانی کے استنزاف کی کسی حد کو نظرانداز کر دے۔ الگورتھم وہی کرتا ہے جو اس کے لیے متعین کیا گیا ہے؛ وہ اپنی طرف سے وہ اقدار شامل نہیں کرتا جنہیں ڈیزائنر متعین کرنا بھول گیا۔ اسی لیے تجریدی معنوں میں کوئی "بہترین حل" نہیں ہوتا۔ ایک بہترین حل ہوتا ہے جو کسی خاص لمحے کے کسی مقصد، رکاوٹوں، اور ڈیٹا کی نسبت سے ہوتا ہے۔ اگر ترجیحات بدل جائیں، کوئی وسیلہ ناکام ہو جائے، یا پیشگوئی پر اعتماد گھٹ جائے، تو نظام کو از سر نو حساب کرنا چاہیے یا کسی متبادل منصوبے کی طرف منتقل ہونا چاہیے۔ حقیقی دنیا کے مسائل میں مقاصد متعدد ہوتے ہیں۔ ہم پیداوار محفوظ رکھنا چاہتے ہیں، پانی اور توانائی کا استعمال کم کرنا چاہتے ہیں، دباؤ سے بچنا چاہتے ہیں، اور کام کے وقفے کا لحاظ رکھنا چاہتے ہیں۔ ان اقدار کو ہمیشہ کسی غیر جانب دار عدد میں سمیٹا نہیں جا سکتا۔ لہٰذا کئی منظرنامے اور ان کے تبادلے پیش کرنا اس سے زیادہ دیانت دارانہ ہے کہ ایک ہی منصوبہ یوں پیش کیا جائے گویا وہی واحد جواب ہو۔ نظام میں ایک محفوظ دستی حالت بھی ہونی چاہیے۔ اگر رابطہ منقطع ہو جائے، موسمی ڈیٹا ناکام ہو جائے، یا رکاوٹیں باہم متصادم ہوں، تو بنیادی عمل رکنا نہیں چاہیے اور نہ بغیر انتباہ کے کسی پرانے منصوبے پر جاری رہنا چاہیے۔ بہینہ سازی کی طاقت صرف مثالی حالات میں منصوبے کی خوش سلیقگی سے نہیں ناپی جاتی، بلکہ اس کی اس استعداد سے ناپی جاتی ہے کہ وہ حقیقی رکاوٹوں اور استثناءات سے نمٹ سکے۔ عملی سوال: جب کوئی بیچنے والا کہے، "ہم آبپاشی کی بہینہ سازی کرتے ہیں"، تو پوچھیے: نظام کس مقصد کی بہینہ سازی کر رہا ہے؟ پانی، پیداوار، اور توانائی کے وزن کس نے مقرر کیے؟ اور اگر ڈیٹا نامکمل ہو تو منصوبہ کیا ہے؟

7۔ تقویتی تعلم اور کنٹرول: نظام اعمال کے سلسلے سے کیسے سیکھتا ہے؟

بعض زرعی مسائل میں کام یہ نہیں ہوتا کہ ایک پیشگوئی جاری کر کے رک جایا جائے۔ ہر وہ عمل جو کیا جاتا ہے، فارم یا مشین کی حالت بدل دیتا ہے، اور نئی حالت اُس فیصلے پر اثر ڈالتی ہے جو اس کے بعد آتا ہے۔ جب کسی گرین ہاؤس میں کوئی کھڑکی کھولی جاتی ہے، تو درجۂ حرارت گر سکتا ہے اور نمی بدل سکتی ہے، مگر کھولنے کا اثر باہر کی ہوا کے درجۂ حرارت، ہوا کے جھونکوں، اور کھڑکی کے کھلے رہنے کے دورانیے پر بھی منحصر ہوتا ہے۔ اور جب کوئی روبوٹ قطاروں کے درمیان حرکت کرتا ہے، تو اس کی جگہ بدلتی ہے اور وہ چیزیں بھی بدلتی ہیں جو اس کے کیمرے دیکھ سکتے ہیں؛ اس کے سامنے کوئی مزدور، جانور، یا رکاوٹ آ سکتی ہے جو کچھ لمحے پہلے وہاں نہیں تھی۔ ایسے مسائل میں ہمارا واسطہ کسی ایک فیصلے سے نہیں، بلکہ باہم مربوط فیصلوں کے سلسلے سے ہوتا ہے۔ یہیں تقویتی تعلم کا کوئی کردار ہو سکتا ہے۔ تقویتی تعلم سے کیا مراد ہے؟ تقویتی تعلم ایک ایسا طریقہ ہے جس میں نظام اپنے کیے ہوئے اعمال کے نتائج کا مشاہدہ کر کے یہ سیکھتا ہے کہ اعمال کا سلسلہ کیسے منتخب کرنا ہے۔ لفظ "تقویتی" کا یہ مطلب نہیں کہ اس قسم کا تعلم دیگر تمام طریقوں سے بہتر یا زیادہ طاقتور ہے۔ اس کا مطلب یہ ہے کہ اپنے اعمال کے بعد نظام ایسے عددی اشارے وصول کرتا ہے جو اُن انتخابات کو تقویت دیتے ہیں جو اسے مقصد کے قریب لاتے ہیں، اور اُن انتخابات کی قدر گھٹا دیتے ہیں جو اسے اُس مقصد سے دور لے جاتے ہیں یا ناپسندیدہ نتائج کی طرف لے جاتے ہیں۔ اس خیال کو ایسے سیکھنے والے سے تشبیہ دی جا سکتی ہے جو کسی نتیجے تک پہنچنے کے کئی طریقے آزماتا ہے، پھر بتدریج وہی برقرار رکھتا ہے جو بہتر نتائج تک لے گئے۔ لیکن اس تشبیہ کی حدود ہیں؛ نظام فارم کو اخلاقی یا زرعی اصطلاحوں میں نہیں سمجھتا، اور وہ خود سے یہ نہیں جانتا کہ "بہتر" کسے شمار کیا جانا چاہیے۔ انسان ہی وہ ہیں جو طے کرتے ہیں کہ وہ کیا ناپے، کون سے اعمال دستیاب ہوں، اور کون سی حدیں عبور نہ کی جائیں۔ تقویتی تعلم کئی بنیادی عناصر پر مشتمل ہے:

1. حالت: وہ معلومات جو موجودہ صورت حال کو اس حد تک بیان کرتی ہیں جتنا نظام ناپ سکتا ہے۔
2. عمل: وہ اختیار جسے نظام اُس لمحے انجام دے سکتا ہے۔
3. نتیجہ: عمل انجام پانے کے بعد ماحول میں کیا بدلا۔
4. عددی نمبر: ایک اشارہ جو بتاتا ہے کہ نتیجہ مقصد کے قریب گیا یا اس سے دور۔
5. انتخاب کی حکمت عملی: وہ طریقہ جو نظام ہر حالت میں موزوں عمل چننے کے لیے سیکھتا ہے۔

ماہرین اُس پروگرام کو جو اعمال منتخب کرتا ہے ایجنٹ، عددی نمبر کو انعام، اور انتخاب کی حکمت عملی کو پالیسی کہتے ہیں۔ لیکن ناموں کو یاد رکھنے سے زیادہ اہم ان کے افعال کو سمجھنا ہے۔ گرین ہاؤس سے ایک سادہ مثال فرض کیجیے ایک ایسا نظام ہے جو گرین ہاؤس کے اندر درجۂ حرارت، نمی، اور توانائی کے انتظام میں مدد دیتا ہے۔ وہ حالت جو نظام دیکھتا ہے دستیاب معلومات میں شامل ہو سکتا ہے:

• گرین ہاؤس کے اندر کا درجۂ حرارت۔
• نمی۔
• باہر کا درجۂ حرارت۔
• دھوپ کی شدت۔
• ہوا کی رفتار۔
• کھڑکیوں اور پنکھوں کی حالت۔
• نشو و نما کے وسیلے کی نمی۔
• دن کا وقت۔
• سینسروں اور آلات کی حالت۔

یہ "پورا ماحول" نہیں، بلکہ وہ حصہ ہے جسے آلات ناپ کر نظام تک بھیج سکتے ہیں۔ چنانچہ اگر کوئی سینسر خراب ہو، یا اگر ڈیٹا دیر سے پہنچے، تو ممکن ہے نظام اپنا فیصلہ کسی نامکمل یا فرسودہ تصویر کی بنیاد پر کرے۔ وہ اعمال جو وہ منتخب کر سکتا ہے دستیاب اعمال میں شامل ہو سکتا ہے:

• کھڑکی کو ایک متعین درجے تک کھولنا۔
• اسے بند کرنا۔
• پنکھا چلانا۔
• پنکھے کی رفتار کم یا زیادہ کرنا۔
• سایہ پھیلانا۔
• موجودہ حالت برقرار رکھنا۔
• خودکار عمل درآمد کے بجائے مزدور کی مداخلت کی درخواست کرنا۔

اور نہ ہی نظام کو ہر وہ عمل کرنے کی اجازت دینی چاہیے جس کا تصور کیا جا سکے۔ دستیاب اعمال پیشگی متعین ہونے چاہئیں اور آلات، سلامتی، اور فصل کی حدود کے پابند ہونے چاہئیں۔ عمل کے بعد کیا ہوتا ہے؟ اگر نظام کھڑکی کھولے، تو درجۂ حرارت گر سکتا ہے، مگر نمی بھی بدل سکتی ہے۔ توانائی کا استعمال بھی بڑھ سکتا ہے اگر نظام دوسرے آلات چلا کر اس تبدیلی کی تلافی کرے۔ اور کوئی عمل دن کے ایک وقت میں موزوں اور دوسرے وقت میں غیر موزوں ہو سکتا ہے۔ نظام مشاہدہ کرتا ہے کہ عمل کے بعد کیا ہوا، پھر نتیجے کو اپنے بعد کے انتخابات بہتر بنانے کے لیے استعمال کرتا ہے۔ چنانچہ وہ کسی ایک فیصلے سے نہیں، بلکہ ایک سلسلے سے سیکھتا ہے: حالت ← عمل ← ماحول میں تبدیلی ← نئی حالت ← نیا عمل "انعام" سے کیا مراد ہے؟ اس سیاق میں انعام کوئی اکرام نہیں، اور نہ اس کا مطلب یہ ہے کہ نظام اطمینان یا سزا محسوس کرتا ہے۔ یہ ایک عددی نمبر ہے جسے ڈیزائنر متعین کرتا ہے تاکہ کسی عمل کے نتیجے کی جانچ کی جا سکے۔ نمبر اس وقت بڑھ سکتا ہے جب:

• درجۂ حرارت اور نمی مطلوبہ دائرے کے اندر رہیں۔
• توانائی کا استعمال پودے کی حالت کو نقصان پہنچائے بغیر کم ہو۔
• نظام غیر ضروری طور پر آلات چلانے سے گریز کرے۔
• وہ تیز تبدیلیاں پیدا کرنے کے بجائے ماحولیاتی استحکام برقرار رکھے۔
• ڈیٹا ناکافی یا متضاد ہونے پر وہ مزدور کی مداخلت کی درخواست کرے۔

اور نمبر اس وقت گر سکتا ہے جب:

• حالات قابلِ قبول حدود سے باہر چلے جائیں۔
• نظام ضرورت سے زیادہ توانائی یا پانی استعمال کرے۔
• وہ آلات کو بار بار اس طرح چالو اور بند کرے کہ ان کی گھسائی تیز ہو جائے۔
• وہ کسی خراب سینسر کو نظرانداز کرے۔
• وہ ایسا عمل منتخب کرے جو سلامتی کی حدود کے قریب پہنچ جائے۔

چنانچہ اس جملے "ایک انعام جو مقصد کا اظہار کرے" کا اصل مطلب یہ ہے: ایک مساوات یا طریقۂ حساب جو ڈیزائنر مقرر کرتا ہے تاکہ کئی نتائج — جیسے پودے کی حالت، توانائی، پانی، اور آلات کا استحکام — کو ایسے اشاروں میں بدلا جا سکے جو نظام کو اپنے اعمال کا موازنہ کرنے میں مدد دیں۔ لیکن یہ نمبر لازماً پورے مقصد کی نمائندگی نہیں کرتا۔ جو کچھ ڈیزائنر حساب میں شامل نہیں کرتا، ممکن ہے نظام اسے ملحوظ ہی نہ رکھے۔ جب نظام عدد تو پا لے مگر مقصد چوک جائے فرض کیجیے ڈیزائنر نے نظام کو صرف ایک مقصد دیا: توانائی کے استعمال کو کم سے کم کرنا۔ ممکن ہے نظام پنکھوں یا ہوا داری کے چلنے کو ضرورت سے زیادہ کم کرنا سیکھ لے۔ ممکن ہے وہ حسابی اعتبار سے بجلی کے استعمال میں کمی کرنے میں کامیاب ہو جائے جبکہ گرین ہاؤس کے اندر درجۂ حرارت یا نمی بگڑتی جائے۔ فرض کیجیے مقصد یہ ہے کہ درجۂ حرارت کو ایک ہی قدر پر رکھا جائے۔ ممکن ہے نظام حرارت اور ٹھنڈک کے آلات کو بار بار چالو اور بند کرے، نمی کو نظرانداز کرے، یا ایک چھوٹی قدرتی تبدیلی کو روکنے کے لیے بڑی مقدار میں توانائی استعمال کرے جو پودے کو نقصان نہیں پہنچاتی۔ دونوں صورتوں میں نظام نے حسابی لحاظ سے وہی کیا جو اس سے کہا گیا تھا، مگر اس نے وسیع تر زرعی مقصد حاصل نہیں کیا۔ یہاں غلطی لازماً الگورتھم کی کمزوری سے پیدا نہیں ہوتی۔ غلطی اُس طریقے میں ہو سکتی ہے جس سے انسانوں نے مقصد تشکیل دیا۔ نظام اُس نمبر کی بہینہ سازی کر سکتا ہے جو اسے دیا گیا، مگر وہ خودبخود اُن مفادات اور رکاوٹوں کو نہیں جانتا جو اس کی تعریف میں شامل نہیں کی گئیں۔ اس لیے، مسئلے کی نوعیت کے مطابق، جانچ کے طریقے میں شامل ہونا چاہیے:

• پودے کی حالت۔
• پانی اور توانائی۔
• آلات کا استحکام۔
• انسانوں اور جانوروں کی سلامتی۔
• عملیاتی حدود۔
• بار بار تبدیلیوں کی لاگت۔
• محفوظ حالت کی طرف واپس جانے کی صلاحیت۔
• وہ معاملات جن میں فیصلہ کسی انسان کے سپرد کرنا لازم ہے۔

بنیادی اصول: نظام وہ نہیں سیکھتا جو ہمارے ذہنوں میں ہے؛ وہ وہی سیکھتا ہے جو ہم نے ڈیٹا، نمبروں، اور رکاوٹوں میں ظاہر کیا۔ سلامتی کے تحفظ کے لیے حسابی سزا کیوں کافی نہیں؟ کوئی ڈیزائنر یہ سوچ سکتا ہے کہ جب نظام کوئی خطرناک عمل انجام دے تو نمبر گھٹا دیا جائے۔ لیکن بعض اعمال کو سرے سے آزمانے کی اجازت ہی نہیں ہونی چاہیے، خواہ وہ بعد میں منفی نمبر ہی کی طرف لے جاتے ہوں۔ مثال کے طور پر، نظام کو یہ اجازت نہیں ہونی چاہیے کہ وہ سخت حالات میں ہوا داری بند کرنے کا خطرہ عمل کر کے اور پودے کو خطرے میں ڈال کر سیکھے۔ اور نہ کسی روبوٹ کو یہ سیکھنا چاہیے کہ کسی مزدور کے قریب جانا غیر محفوظ ہے، اُس مزدور سے ایک بار ٹکرا کر۔ لہٰذا ان کے درمیان فرق کرنا ضروری ہے:

• وہ مقاصد جن کی نظام بہینہ سازی کر سکتا ہے۔
• وہ سلامتی کی حدود جنہیں اسے عبور نہیں کرنا چاہیے۔

نظام اجازت شدہ دائرے کے اندر توانائی کے استعمال میں کمی یا استحکام میں بہتری کی کوشش کر سکتا ہے، مگر ایک آزاد تہہ کو اسے ان امور سے روکنا چاہیے:

• درجۂ حرارت کی کسی خطرناک حد سے تجاوز کرنا۔
• جب کوئی انسان حرکت کے علاقے میں ہو تو کوئی آلہ چلانا۔
• نازک سینسروں کے ناکام ہونے پر کام جاری رکھنا۔
• منظور شدہ حدود سے باہر کسی اکائی یا قدر کے ساتھ کوئی حکم انجام دینا۔
• مقام یا رابطہ کھو دینے کے بعد حرکت جاری رکھنا۔
• دستی طور پر روکنے کا نظام غیر فعال کرنا۔

ان حدود کو بعض اوقات سخت رکاوٹیں کہا جاتا ہے، یعنی ایسے پابند کرنے والے عملیاتی اصول جنہیں نظام بہتر نمبر کی تلاش میں توڑ نہیں سکتا۔ استکشاف سے کیا مراد ہے؟ نظام کے لیے یہ جاننے کی خاطر کہ کون سے اعمال بہترین ہیں، ممکن ہے اسے ایسے اختیارات آزمانے پڑیں جو اس نے پہلے زیادہ استعمال نہیں کیے۔ اسے استکشاف کہا جاتا ہے۔ لیکن کسی حقیقی نظام میں استکشاف کسی ڈیجیٹل کھیل کے اندر تجربے سے مختلف ہے۔ کھیت میں ایک غلطی پانی ضائع کر سکتی ہے، کسی فصل کو دباؤ میں ڈال سکتی ہے، آلات کو نقصان پہنچا سکتی ہے، یا کسی مزدور کو خطرے میں ڈال سکتی ہے۔ اس لیے نظام کو فارم پر کوئی بھی عمل آزمانے کی آزادی نہیں ہونی چاہیے۔ خطرے کو ایک بتدریج راستے کے ذریعے کم کیا جا سکتا ہے:

1. تعلم یا جانچ کا آغاز ایسے مصنوعی نمونے میں ہوتا ہے جو ماحول کی معقول حد تک نمائندگی کرے۔
2. تاریخی ڈیٹا کو یہ سمجھنے کے لیے استعمال کیا جاتا ہے کہ پچھلے حالات میں کیا ہوا، اس بات کو مدِنظر رکھتے ہوئے کہ وہ تمام ممکنہ اعمال کا احاطہ نہیں کرتا۔
3. نظام کو نگرانی کی حالت میں جانچا جاتا ہے، جہاں وہ اعمال تجویز کرتا ہے مگر انہیں انجام نہیں دیتا۔
4. اس کی تجاویز کا موازنہ اُس سے کیا جاتا ہے جو آپریٹر نے کیا اور جو اس کے بعد ہوا۔
5. وہ کم خطرے والے دائرے کے اندر محدود آزمائش کی طرف منتقل ہوتا ہے۔
6. آزاد رکاوٹیں اور انسانی طور پر روکنے کا اختیار فعال رہتے ہیں۔
7. عمل درآمد کو صرف اُس وقت وسعت دی جاتی ہے جب سلامتی اور استحکام کے کافی شواہد سامنے آ جائیں۔

محض سِمولیشن کافی نہیں، کیونکہ یہ حقیقت کی ایک سادہ کی گئی تصویر ہے۔ پودے، آلات، یا موسم کا ردِعمل اس سے مختلف ہو سکتا ہے جو ماڈل نے فرض کیا تھا۔ اسے بعض اوقات سِمولیشن اور حقیقت کے درمیان خلا کہا جاتا ہے۔ اس لیے حقیقی عملیات کی طرف منتقلی بتدریج، زیرِ نگرانی، اور واپسی پذیر ہونی چاہیے۔ ہر کنٹرول کے مسئلے کو تقویتی تعلم درکار نہیں ہوتا تقویتی تعلم پُرکشش معلوم ہو سکتا ہے کیونکہ یہ فیصلوں کے ایک سلسلے سے سیکھتا ہے، مگر یہ خودبخود بہترین اختیار نہیں ہوتا۔ اگر عملیاتی اصول واضح اور مستحکم ہوں، تو اصولوں پر مبنی ایک سیدھا سادا نظام زیادہ شفاف اور جانچنے میں آسان ہو سکتا ہے۔ اگر آلات کا ردِعمل معلوم ہو اور اسے اچھی طرح پیش کیا جا سکتا ہو، تو روایتی کنٹرول کے طریقے یا مقید بہینہ سازی زیادہ محفوظ اور کم لاگت ہو سکتے ہیں۔ تقویتی تعلم اُس وقت ایک امیدوار بنتا ہے جب:

• فیصلے تسلسل پر مبنی ہوں، اور ہر عمل بعد میں آنے والی چیز پر اثر ڈالے۔
• بعض اعمال کا نتیجہ کچھ تاخیر کے بعد ہی ظاہر ہو۔
• کسی فوری فائدے اور بعد کے اثر کے درمیان تبادلہ درپیش ہو۔
• ایسا مستقل اصول لکھنا مشکل ہو جو تمام معاملات کا احاطہ کرے۔
• تربیت کا موزوں ماحول یا سِمولیشن دستیاب ہو۔
• اعمال کا ایک محفوظ دائرہ متعین کیا جا سکتا ہو۔
• کارکردگی کی نگرانی اور واپسی کا کوئی طریقہ موجود ہو۔

لیکن اگر مقصد محض کسی تصویر میں کسی بیماری کا پتہ لگانا، پیداوار کی پیش گوئی کرنا، یا ایک اکہرا انتباہ جاری کرنا ہو، تو دوسرے طریقے زیادہ موزوں ہو سکتے ہیں۔ تقویتی تعلم محض اس لیے استعمال نہیں کیا جانا چاہیے کہ وہ زیادہ نیا یا زیادہ پُرجوش لگتا ہے۔ کنٹرول کے نظام کے اندر کون کیا کرتا ہے؟ ایک حقیقی زرعی نظام میں کئی افعال کو الگ الگ رکھنا ضروری ہے: 1۔ حالت کی پیمائش سینسر اور کیمرے ماحول اور آلات کے بارے میں معلومات جمع کرتے ہیں۔ یہ معلومات نامکمل، تاخیر زدہ، یا غیر درست ہو سکتی ہیں۔ 2۔ حالت کا تخمینہ یا پیش گوئی کسی ماڈل کو اس کا تخمینہ لگانے کے لیے استعمال کیا جا سکتا ہے جو براہِ راست ناپا نہیں جاتا، یا اس کی پیش گوئی کے لیے کہ کوئی خاص عمل کرنے کے بعد کیا ہو سکتا ہے۔ 3۔ عمل کا انتخاب کنٹرول کی حکمت عملی حالت، مقصد، اور قیود کی روشنی میں مجوزہ عمل کا تعین کرتی ہے۔ 4۔ سلامتی کی جانچ ایک آزاد تہہ یہ جائزہ لیتی ہے کہ آیا عمل کی اجازت ہے، آیا ڈیٹا کافی ہے، اور آیا آلات اور ماحول محفوظ حالت میں ہیں۔ 5۔ عمل درآمد کھڑکیوں، پنکھوں، پمپوں، یا موٹروں کو احکامات بھیجے جاتے ہیں، اور اس کی تصدیق ضروری ہے کہ حکم واقعی بجا لایا گیا، نہ کہ محض بھیجا گیا۔ 6۔ نتیجے کی توثیق نظام اس کا موازنہ کرتا ہے جو متوقع تھا اور جو عمل درآمد کے بعد پیش آیا۔ اگر آلہ جواب نہ دے، یا مختلف انداز میں حرکت کرے، تو اس کا پتہ چلنا ضروری ہے۔ 7۔ انسانی نگرانی ایک انسان کے پاس منظوری دینے، روکنے، یا فیصلہ بدلنے کا اختیار ہوتا ہے، اور وہ ایپلی کیشن یا رابطہ ناکام ہونے پر واضح دستی عمل کی طرف لوٹ سکتا ہے۔ یہ علیحدگی اس لیے اہم ہے کہ کسی ایک حصے کی کامیابی پورے نظام کی کامیابی ثابت نہیں کرتی۔ ہو سکتا ہے سافٹ ویئر ایک مناسب عمل منتخب کرے، مگر والو جواب نہ دے۔ ہو سکتا ہے والو حکم پر عمل کر دے، مگر وہ سینسر خراب ہو جو نتیجے کی تصدیق کرتا ہے۔ ہو سکتا ہے اجزا تکنیکی طور پر کام کر رہے ہوں، مگر خود مقصد ہی نامکمل ہو۔ گہرے تقویتی تعلم سے کیا مراد ہے؟ گہرا تقویتی تعلم وہ تقویتی تعلم ہے جو گہرے عصبی نیٹ ورک استعمال کرتا ہے تاکہ نظام کو پیچیدہ حالتیں پیش کرنے، اعمال کی قدر کا تخمینہ لگانے، یا انہیں منتخب کرنے میں مدد دے۔ اور لفظ ’گہرا‘ کا یہ مطلب نہیں کہ نظام:

• ماحول کو انسانی انداز میں سمجھتا ہے۔
• زیادہ محفوظ ہے۔
• لازماً کسی روبوٹ کا تقاضا کرتا ہے۔
• خودبخود تصاویر دیکھتا ہے۔
• کھیت میں تعیناتی کے لیے موزوں ہے۔
• اصولوں یا روایتی کنٹرول سے بہتر ہے۔

گہرا تقویتی تعلم کسی سِمولیشن والے ماحول میں اعمال منتخب کرنے کے لیے استعمال ہو سکتا ہے، جبکہ کمپیوٹر وژن تصاویر کا تجزیہ کرنے کے لیے کوئی دوسرا ماڈل استعمال کرے۔ دونوں ایک ہی روبوٹ کے اندر کام کر سکتے ہیں، مگر وہ دو مختلف افعال انجام دیتے ہیں۔ ایک اہم ماخذی تصحیح: جڑی بوٹی کو دیکھنا اس کے خاتمے کو کنٹرول کرنا نہیں اس کتاب کے پہلے کے ادارتی مواد میں ایک ایسا جملہ آیا تھا جس میں جڑی بوٹی کی شناخت سے متعلق ایک مطالعے کو روبوٹی خاتمے میں استعمال ہونے والے ’گہرے تقویتی تعلم‘ کی مثال کے طور پر بیان کیا گیا تھا۔ لیکن جس ماخذ کی توثیق ہو سکی [SRC009] وہ کنوولوشنل عصبی نیٹ ورکوں کے ذریعے سویابین کے کھیتوں میں لی گئی تصاویر کی درجہ بندی سے متعلق ہے۔ یعنی یہ مطالعہ کمپیوٹر وژن کے ایک کام کی تائید کرتا ہے: تصویر کا تجزیہ اور نمونوں کے درمیان تمیز۔ اور یہ ماخذ یہ ثابت نہیں کرتا کہ مطالعے نے یہ تیار کیا:

• ایسا نظام جو اعمال کا کوئی سلسلہ سیکھتا ہو۔
• کسی روبوٹ میں کنٹرول کی حکمت عملی۔
• خاتمے کی جانچ کے لیے کوئی انعامی اشارہ۔
• جڑی بوٹی کی طرف خودکار حرکت۔
• خاتمے کے لیے کھیت میں تعیناتی۔
• گہرے تقویتی تعلم پر مبنی کوئی نظام۔

فرق بنیادی ہے: کمپیوٹر وژن پوچھتا ہے: کیا تصویر میں کوئی جڑی بوٹی ہے، اور وہ کہاں ہے؟ اس کے برعکس تقویتی تعلم اور کنٹرول یہ پوچھتے ہیں: مشین کو اب کون سا عمل کرنا چاہیے، اور وہ حالت اور اگلے عمل پر کیا اثر ڈالے گا؟ جڑی بوٹی نکالنے والے روبوٹ کو پودے کی شناخت کے لیے ایک وژن ماڈل درکار ہو سکتا ہے، پھر مقام کا تعین کرنے کے لیے ایک اور نظام، پھر حرکت کا منصوبہ ساز، پھر عمل کو انجام دینے کے لیے ایک کنٹرولر، پھر ایک سلامتی کی تہہ جو خطرہ پیدا ہونے پر مشین کو روک دے۔ درجہ بندی کے کسی الگورتھم کی کامیابی اس پورے سلسلے کی کامیابی ثابت نہیں کرتی۔ اس تصحیح کو شامل کرنا ناموں کے بارے میں کوئی بحث نہیں، بلکہ کتاب کے شواہد پر مبنی طریقۂ کار کا اطلاق ہے: کسی ماخذ سے کوئی الگورتھم، عملیاتی صلاحیت، یا کھیت کا اثر منسوب نہیں کیا جانا چاہیے جب تک وہ اسے ثابت نہ کرے۔ مربوط مثال: گرین ہاؤس میں ہوا کی آمد و رفت کا انتظام فرض کریں نظام کسی گرین ہاؤس کے اندر ایک کھڑکی اور ایک پنکھے کا انتظام کرتا ہے۔ کسی خاص لمحے میں وہ یہ پڑھتا ہے:

• اندرونی درجۂ حرارت قدرے بلند۔
• نمی زیادہ۔
• بیرونی درجۂ حرارت کم۔
• ہوائیں معتدل۔
• آلات کا کوئی الارم نہیں۔

وہ ان میں سے انتخاب کر سکتا ہے:

• چیزوں کو جوں کا توں رہنے دینا۔
• کھڑکی جزوی طور پر کھولنا۔
• اسے مزید کھولنا۔
• پنکھا چلانا۔
• کھڑکی اور پنکھے کو ایک ساتھ استعمال کرنا۔
• کسی کارکن کی نظرثانی طلب کرنا۔

اگر وہ کھڑکی جزوی طور پر کھولے اور درجۂ حرارت و نمی زیادہ توانائی خرچ کیے بغیر گر جائیں، تو جانچ کا طریقہ یہ ریکارڈ کرتا ہے کہ نتیجہ مقصد کے قریب تر ہو گیا ہے۔ اگر عمل سے کوئی اچانک تبدیلی پیدا ہو یا نمی حد سے باہر چلی جائے، تو عددی سکور گر جاتا ہے۔ لیکن پھر بھی ایسے اصول ہونے چاہییں جو تجربے کے تابع نہ ہوں، مثلاً:

• اگر دیکھ بھال کا ڈھکن کھلا ہو تو آلات نہ چلانا۔
• نازک سینسروں میں تضاد ہو تو جاری نہ رکھنا۔
• موٹروں کی عملیاتی حدود سے تجاوز نہ کرنا۔
• رابطہ منقطع ہونے پر محفوظ حالت میں جانا۔
• کارکن کو فوراً روکنے کی اجازت دینا۔

اس طرح نظام ایک اجازت یافتہ دائرے کے اندر سیکھتا ہے اور اسے یہ آزادی نہیں ہوتی کہ تجربے کے ذریعے سلامتی کی نئی تعریف کرے۔ تقویتی تعلم پر مبنی نظام قبول کرنے سے پہلے عملی سوالات کسان، خریدار، یا آپریٹر یہ پوچھ سکتا ہے:

• نظام کون سے تسلسل پر مبنی فیصلے کرنا سیکھتا ہے؟
• کون سی معلومات موجودہ حالت کو بیان کرتی ہیں؟
• اگر کوئی اہم سینسر خراب ہو یا تاخیر کا شکار ہو تو کیا ہوتا ہے؟
• نظام کو کون سے اعمال کی اجازت ہے؟
• وہ عددی سکور جو تعلم کی رہنمائی کرتا ہے، کیسے شمار کیا گیا؟
• اس عددی سکور میں کون سے پہلو شامل نہیں کیے گئے؟
• نظام کون سی حدود سے تجاوز نہیں کر سکتا؟
• تربیت کہاں کی گئی: سِمولیشن میں یا حقیقی عملیات میں؟
• سِمولیشن اور فارم کے درمیان خلا کو کیسے دور کیا گیا؟
• کیا نظام نے عمل درآمد سے پہلے سفارش اور نگرانی سے آغاز کیا؟
• جب اسے کوئی ایسی صورت حال پیش آئے جو اس نے پہلے نہ دیکھی ہو تو کیا ہوتا ہے؟
• کیا ایپلی کیشن سے آزاد کوئی مقامی روک کا نظام موجود ہے؟
• منظوری دینے، فیصلہ بدلنے، اور دستی حالت میں لوٹنے کا اختیار کس کے پاس ہے؟
• کیا تقویتی تعلم واقعی ضروری ہے، یا کوئی سادہ تر اور زیادہ واضح طریقہ موجود ہے؟

اعلیٰ سطح کے قاری کے لیے: تقویتی تعلم کے کسی نظام کی جانچ اُس اوسط سکور تک محدود نہیں جو اس نے تربیت کے دوران حاصل کیا۔ نادر معاملات میں اس کے طرزِ عمل، اس کی کارکردگی کے استحکام، مقصد کی تعریف کے بارے میں اس کی حساسیت، نامکمل ڈیٹا کے ساتھ کام کرنے کی اس کی صلاحیت، قیود کی اس کی پاسداری، سِمولیشن اور حقیقت کے درمیان خلا، اور سفارش سے عمل درآمد تک منتقلی کی سلامتی — ان سب کا جائزہ لینا ضروری ہے۔ اختتامیہ تقویتی تعلم کوئی ایسا طریقہ نہیں جو مشین کو کھیت میں تجربہ کرنے کی آزادی دے۔ یہ اس بات کا ایک طریقہ ہے کہ انسانوں کی وضع کردہ حدود کے اندر تسلسل پر مبنی اعمال کا انتخاب کرنا کیسے سیکھا جائے۔ اس کی قدر پانچ چیزوں پر منحصر ہے:

1. یہ کہ دستیاب معلومات واقعی متعلقہ حالت کو بیان کرتی ہوں۔
2. یہ کہ عددی سکور زرعی مقصد کی نمائندگی کرے اور اسے کسی گمراہ کن عدد تک نہ گھٹا دے۔
3. یہ کہ سلامتی ایسے آزاد اصولوں میں رہے جنہیں رد نہ کیا جا سکے۔
4. یہ کہ سِمولیشن سے عملیات تک منتقلی بتدریج اور واپسی پذیر ہو۔
5. یہ کہ نظام کو روکنے اور حتمی منظوری دینے کا اختیار انسانوں ہی کے پاس رہے۔

اور وہ اصول جو قاری کو اپنے ساتھ لے جانا چاہیے، یہ ہے: نظام وہ مقصد نہیں سیکھتا جو ہم ضمناً مراد لیتے ہیں؛ وہ وہ طرزِ عمل سیکھتا ہے جسے اعداد انعام دیتے ہیں اور قیود اجازت دیتی ہیں۔ اس لیے الگورتھم کی ذہانت جانچنے سے پہلے مقصد اور حدود کو جانچنا ضروری ہے۔ سلامتی کے آخری اصول کو زیادہ واضح طور پر یوں بیان کیا جا سکتا ہے: کھیت وہ پہلی جگہ نہیں ہونی چاہیے جہاں ڈیزائنر کو معلوم ہو کہ نظام کی جانچ کا طریقہ نامکمل ہے، یا یہ کہ کوئی نیا عمل آزمانا فصل، لوگوں، یا آلات کو نقصان پہنچا سکتا ہے۔

8۔ لسانی ماڈل، تولید، اور بازیافت: سوال سے لے کر مستند بنیاد والے جواب تک

کسان ڈیجیٹل معاون سے طویل فہرستوں میں تلاش کرنے یا کوئی پیچیدہ تکنیکی فارم بھرنے کے بجائے عام زبان میں پوچھ سکتا ہے۔ وہ کسی انتباہ کے معنی کے بارے میں پوچھ سکتا ہے، کسی دستاویز کا خلاصہ طلب کر سکتا ہے، ہدایات کا ترجمہ مانگ سکتا ہے، دو ریکارڈوں کا موازنہ کر سکتا ہے، یا کسی رپورٹ سے معلومات کا کوئی مخصوص ٹکڑا نکال سکتا ہے۔ یہ سہولت لسانی ماڈلوں کے اہم ترین فوائد میں سے ایک ہے، مگر یہ غلط فہمی کا ایک ممکنہ ماخذ بھی ہے۔ واضح اور پُراعتماد زبان میں لکھا گیا جواب یوں لگ سکتا ہے جیسے وہ کسی ایسے ماہر کی طرف سے آیا ہو جو کھیت، مقام، اور مصنوعات سے واقف ہے، جبکہ حقیقت میں ممکن ہے نظام نے اسے لسانی نمونوں سے یا ایسی نامکمل معلومات سے ترتیب دیا ہو جو فیصلہ سازی کے لیے کافی نہیں۔ لہٰذا صرف یہ پوچھنا کافی نہیں: کیا نظام قابلِ فہم جواب لکھ سکتا ہے؟ ہمیں یہ بھی پوچھنا چاہیے: جواب میں موجود معلومات کہاں سے آئیں؟ اور کیا وہ اس فصل، جگہ، وقت، اور فیصلے پر لاگو ہوتی ہیں؟ لسانی ماڈل کیا کرتے ہیں؟ لسانی ماڈل ایسا نظام ہے جسے متن کی بڑی مقدار پر تربیت دی جاتی ہے تاکہ وہ الفاظ، جملوں، اور تصورات کے درمیان بار بار آنے والے تعلقات سیکھ سکے۔ جب اس سے کوئی جواب مانگا جاتا ہے، تو وہ سوال، نظام کی ہدایات، اور جو بھی سیاق و سباق اسے دستیاب ہو، اس کی بنیاد پر متن ٹکڑا ٹکڑا تعمیر کرتا ہے۔ اسے ایسے کاموں کے لیے استعمال کیا جا سکتا ہے:

• کسی طویل دستاویز کا خلاصہ کرنا۔
• مواد کا ایک زبان سے دوسری زبان میں ترجمہ کرنا۔
• بکھرے ہوئے نوٹوں کو ایک منظم رپورٹ میں بدلنا۔
• کسی ریکارڈ سے فصل کا نام، مقام، تاریخ، یا اکائی نکالنا۔
• کسی تکنیکی اصطلاح کی سادہ تر زبان میں وضاحت کرنا۔
• متعدد دستاویزات کا موازنہ کرنا۔
• ایک سے زائد سوال و جواب پر مشتمل مکالمے کا انتظام کرنا۔
• قدرتی زبان میں ایسا جواب مرتب کرنا جسے صارف پڑھ سکے۔

لیکن ان صلاحیتوں کا یہ مطلب نہیں کہ ماڈل کے پاس آزاد زرعی فہم ہے یا ہر ضابطے، قیمت، اور مصنوعات کی تازہ ترین یادداشت ہے۔ وہ مربوط متن تعمیر کرنے میں اچھا ہے، اور ایسا کرتے ہوئے وہ درست معلومات استعمال کر سکتا ہے، نامکمل معلومات، یا ایسا تعلق جو لسانی طور پر معقول دکھائی دے مگر ماخذ میں مضبوطی سے بنیاد نہ رکھتا ہو۔ پس روانی جواب کے الفاظ کی ایک خصوصیت ہے، اس کے مواد کی درستی کا ثبوت نہیں۔ کوئی جواب قائل کرنے والا ہونے کے باوجود غیر مستند کیسے ہو سکتا ہے؟ جب ماڈل کے پاس کافی معلومات نہ ہوں، تو ہو سکتا ہے وہ خلا کو ظاہر نہ رہنے دے۔ ہو سکتا ہے وہ جملے کو ایسے الفاظ سے مکمل کر دے جو پہلے کے متون سے سیکھے گئے نمونوں کی بنیاد پر معقول لگتے ہوں۔ اس کا نتیجہ یہ نکل سکتا ہے:

• ایک ایسا عدد جو ماخذ میں موجود نہیں۔
• ایک غیر یقینی سبب جسے یوں پیش کیا جائے گویا وہ کوئی تشخیص ہو۔
• ایک ایسی خوراک جو معقول لگتی ہو مگر کسی رجسٹرڈ مصنوعات سے جڑی نہ ہو۔
• کسی مصنوعات کا ایسا نام جو فصل یا ملک کے لیے موزوں نہیں۔
• ایک پرانی قیمت، یا کسی دوسری منڈی کی قیمت۔
• ایک ایسا حوالہ جو سرکاری دکھائی دے مگر دعوے کی تائید نہ کرے۔
• ایسا ترجمہ جس نے کوئی قید چھوڑ دی ہو، کوئی اکائی بدل دی ہو، یا یقین کی سطح کو بڑھا چڑھا کر پیش کیا ہو۔
• ایک عمومی جواب جسے یوں پیش کیا جائے گویا وہ کسی مخصوص فارم کی سفارش ہو۔

اس کا یہ مطلب نہیں کہ ماڈل جان بوجھ کر دھوکہ دینے کی کوشش کر رہا ہے۔ مسئلہ یہ ہے کہ اسے ایسا متن پیدا کرنے کے لیے ڈیزائن کیا گیا ہے جو لسانی سیاق و سباق سے مطابقت رکھے، نہ کہ اس بات کی ضمانت دینے کے لیے کہ ہر جملے کو ایسے ماخذ کے مقابل جانچا گیا ہے جو اس فیصلے کے لیے معتبر ہو۔ بنیادی اصول: کسی نظام کی جملہ مکمل کرنے کی صلاحیت کا یہ مطلب نہیں کہ اس کے پاس فیصلہ مکمل کرنے کے لیے درکار شواہد موجود ہیں۔ ایک مختصر زرعی سوال بہت سی معلومات چھپائے ہو سکتا ہے اگر کوئی کسان پوچھے: "میری فصل پر دھبے نمودار ہوئے ہیں؛ مجھے کیا استعمال کرنا چاہیے؟" تو یہ جملہ لسانی اعتبار سے واضح لگ سکتا ہے، مگر زرعی اعتبار سے نامکمل ہے۔ یہ ہمیں نہیں بتاتا:

• فصل کون سی ہے؟
• قسم کون سی ہے؟
• پودے کی عمر اور نشو و نما کا مرحلہ کیا ہے؟
• فارم کہاں واقع ہے؟
• علامات کب ظاہر ہوئیں؟
• کیا وہ نئے پتوں پر ظاہر ہوئیں یا پرانے پتوں پر؟
• کیا وہ اوپری سطح پر ہیں یا نچلی سطح پر؟
• کیا وہ پورے کھیت میں پھیلی ہوئی ہیں، یا محدود حصوں تک محدود ہیں؟
• کیا تنے، جڑ، یا پھل پر علامات موجود ہیں؟
• موسم اور آبپاشی کے حالات کیا ہیں؟
• کیا اس سے پہلے کوئی علاج استعمال کیا گیا؟
• کیا تصویر واضح ہے، اور کیا وہ معاملے کی نمائندگی کرتی ہے؟
• استعمال کے ملک میں اس فصل اور آفت کے لیے کون سی مصنوعات رجسٹرڈ ہیں؟
• کیا قبل از برداشت وقفے یا کارکن کے دوبارہ داخلے سے متعلق کوئی پابندیاں ہیں؟

اگر نظام ان خلاؤں کو خود سے پُر کر لے، تو ہو سکتا ہے وہ ایک ایسے معاملے کے لیے موزوں جواب دے جو اس نے فرض کر لیا ہے، نہ کہ اُس معاملے کے لیے جو حقیقتاً فارم پر موجود ہے۔ اسی وجہ سے ایک ذمہ دار نظام کو معلومات کی کمی کی صورت میں رک جانا چاہیے اور امکانات کو محدود کرنے سے پہلے وہ معلومات طلب کرنی چاہییں جو اسے درکار ہیں۔ بہترین ابتدائی جواب ایک وضاحت طلب سوال ہو سکتا ہے، کوئی سفارش نہیں۔ تولید اور بازیافت میں کیا فرق ہے؟ تولید قدرتی زبان میں ایک نیا جواب مرتب کرنے کا عمل ہے۔ ماڈل سوال اور دستیاب سیاق و سباق لیتا ہے، پھر انہیں ایسے متن میں منظم کرتا ہے جسے صارف پڑھ سکے۔ اس کے برعکس بازیافت دستاویزات یا ریکارڈوں کے کسی مجموعے کے اندر ایسے اقتباسات کی تلاش ہے جو سوال سے متعلق ہو سکتے ہوں۔ اگر صارف کسی مخصوص مصنوعات کے لیے مطلوبہ انتظار کی مدت کے بارے میں پوچھے، تو نظام ان میں تلاش کر سکتا ہے:

• مصنوعات کا موجودہ منظور شدہ لیبل۔
• مصنوعات کی رجسٹریشن کا ریکارڈ۔
• مجاز ضابطہ ساز اتھارٹی کی جاری کردہ دستاویزات۔
• فصل اور آفت سے متعلق سرکاری رہنمائی۔
• کسی منظور شدہ علمی ذخیرے کا تاریخ شدہ ایڈیشن۔

بازیافت لازماً حتمی جواب مرتب نہیں کرتی؛ بلکہ وہ اُس مواد کو ڈھونڈتی ہے جس سے جواب تعمیر کیا جا سکتا ہے۔ جب نظام ماخذوں میں تلاش کو اس بنیاد پر جواب مرتب کرنے کے ساتھ ملا دیتا ہے جو اس نے بازیافت کیا، تو اس طریقۂ کار کو بازیافت سے تقویت یافتہ تولید کہا جاتا ہے، جسے عموماً RAG کے مخفف سے لکھا جاتا ہے۔ بازیافت سے تقویت یافتہ تولید میں کیا ہوتا ہے؟ اس طریقۂ کار کو چھ مراحل میں سادہ کیا جا سکتا ہے:

1. سوال کو سمجھنا: یہ متعین کرنا کہ صارف کیا پوچھ رہا ہے اور کون سی معلومات غائب ہیں۔
2. تلاش کا دائرہ متعین کرنا: فصل، مقام، اور موضوع کے لیے موزوں ماخذوں کا مجموعہ منتخب کرنا۔
3. امیدوار اقتباسات تلاش کرنا: دستاویزات کے ایسے حصے ڈھونڈنا جو سوال سے متعلق دکھائی دیں۔
4. معتبریت کی جانچ: ایسی دستاویزات کو خارج کرنا جو پرانی، غیر سرکاری، یا سیاق و سباق کے لیے غیر موزوں ہوں۔
5. جواب مرتب کرنا: قبول شدہ اقتباسات کو استعمال کرتے ہوئے ایک واضح جواب لکھنا۔
6. ماخذ اور حدود دکھانا: صارف کو یہ جاننے کے قابل بنانا کہ معلومات کہاں سے آتی ہیں اور جواب کیا ثابت نہیں کر سکتا۔

یہ راستہ غیر مستند جوابات کم کر سکتا ہے، مگر انہیں خودبخود نہیں روکتا۔ نظام ان چھ مراحل میں سے کسی بھی مرحلے پر غلطی کر سکتا ہے۔ بازیافت ماڈل کے اندر مستقل علم نہیں بٹھاتی جب نظام سوال کے وقت کوئی دستاویز بازیافت کرتا ہے، تو وہ اس کا ایک حصہ ماڈل کے سامنے رکھ دیتا ہے تاکہ جواب مرتب کرنے میں اس کی مدد ہو۔ اس کا یہ مطلب نہیں کہ وہ علم ماڈل کا مستقل حصہ بن گیا، یا یہ کہ اس کے بعد کے تمام جوابات اسے درست طریقے سے استعمال کریں گے۔ نئے سوال کے ساتھ نئی تلاش چل سکتی ہے اور کوئی مختلف اقتباس بازیافت ہو سکتا ہے۔ اس لیے ہر جواب کا معیار ان پر منحصر ہے:

• سوال کے الفاظ۔
• دستیاب ماخذوں کا مجموعہ۔
• ان کی تنظیم اور اشاریہ بندی کا طریقہ۔
• تلاش کے معیارات۔
• وہ اقتباسات جو ماڈل کے سامنے پیش کیے گئے۔
• وہ ہدایات جو الفاظ کو مقید کرتی ہیں۔
• نظام کی وہ صلاحیت کہ جب اسے کافی تائید نہ ملے تو وہ جواب دینے سے گریز کرے۔

اس کا مطلب یہ ہے کہ صرف لسانی ماڈل کی جانچ کافی نہیں؛ تلاش، ترتیب، اور حوالہ دہی کے پورے راستے کی جانچ ضروری ہے۔ بازیافت کا راستہ کن طریقوں سے غلط ہو سکتا ہے؟ یہ راستہ کئی طرح سے ناکام ہو سکتا ہے: 1۔ سوال کو غلط سمجھنا وہ کسی مقامی لفظ کو کسی بیماری کا نام سمجھ سکتا ہے، یا کسی فصل کے نام کو کسی قسم کے نام سے خلط کر سکتا ہے، یا یہ فرض کر سکتا ہے کہ صارف علاج کے بارے میں پوچھ رہا ہے جبکہ حقیقت میں صارف ابتدائی شناخت کے بارے میں پوچھ رہا ہے۔ 2۔ کسی غیر موزوں مجموعے میں تلاش کرنا نظام عمومی مضامین میں تلاش کر سکتا ہے جبکہ سوال کسی سرکاری مقامی دستاویز کا تقاضا کرتا ہو، یا کسی مختلف فصل کی رہنمائی میں تلاش کر سکتا ہے۔ 3۔ کوئی پرانی دستاویز بازیافت کرنا ممکن ہے دستاویز اپنے اجرا کے وقت درست ہو، مگر بعد میں مصنوعات کی رجسٹریشن، پابندیاں، قیمت، یا ہدایات بدل چکی ہوں۔ 4۔ کسی مختلف سیاق و سباق کے لیے ایک معتبر ماخذ بازیافت کرنا ممکن ہے سفارش کسی دوسرے ملک، کسی دوسری قسم، کسی دوسرے نشو و نما کے مرحلے، یا کسی مختلف نظامِ پیداوار کے لیے درست ہو۔ 5۔ ایسا اقتباس منتخب کرنا جس میں الفاظ مشترک ہوں مگر معنی نہ ہوں ممکن ہے اقتباس میں بیماری کا نام اور فصل موجود ہو، مگر وہ علاج کے بجائے بچاؤ پر بات کرتا ہو، یا عملیاتی ہدایات کے بجائے کسی تحقیقی مطالعے کو بیان کرتا ہو۔ 6۔ ترتیب دیتے وقت ماخذ سے آگے نکل جانا ممکن ہے ماخذ میں کوئی عمومی نوٹ ہو، اور ماڈل پھر اسے ایسی مخصوص سفارش میں بدل دے جو ماخذ میں موجود ہی نہیں۔ 7۔ ایسے جملے کے بعد ایک درست حوالہ لگا دینا جس کی ماخذ تائید نہیں کرتا ماخذ کے نام یا اس کے لنک کی موجودگی کافی نہیں۔ خود دعویٰ ماخذ میں موجود ہونا چاہیے، اسی درجۂ یقین اور انہی حدود کے ساتھ۔ چنانچہ ممکن ہے ماخذ قابلِ اعتماد ہو، اور بازیافت متنی سطح پر کامیاب ہو، پھر بھی جواب زرعی فیصلہ سازی کے لیے غیر موزوں ہو۔ الفاظ میں مشابہت استعمال کے لیے موزونیت نہیں فرض کریں نظام کو ایک ایسی دستاویز ملتی ہے جو کسی مخصوص فصل میں پتوں کے دھبوں پر بات کرتی ہے۔ دستاویز سوال سے بہت زیادہ متعلق دکھائی دے سکتی ہے، مگر ہو سکتا ہے کہ وہ:

• ایسے ملک سے متعلق ہو جہاں مصنوعات کی رجسٹریشن مختلف ہے۔
• کسی مختلف قسم یا مختلف ماحول سے تعلق رکھتے ہوں۔
• میدانی رہنمائی کے بجائے تجربہ گاہی مطالعہ ہوں۔
• ملتی جلتی علامات بیان کرتے ہوں مگر سبب مختلف ہو۔
• پرانے ہو چکے ہوں یا کسی نئے ورژن سے بدل دیے گئے ہوں۔
• بچاؤ پر گفتگو کرتے ہوں جبکہ صارف کسی موجود معاملے کے بارے میں پوچھ رہا ہو۔
• کسی مؤثر جزو کا ذکر کریں جس کی کوئی مقامی طور پر رجسٹرڈ مصنوعات موجود نہ ہو۔
• ترجمہ شدہ ہوں اور ان میں کوئی اہم قید ضائع ہو چکی ہو۔

اس لیے بازیافت کو محض لفظی مشابہت پر انحصار نہیں کرنا چاہیے۔ تلاش کو ایسی معلومات کے ذریعے محدود کرنا ضروری ہے جیسے:

• فصل۔
• قسم، اگر ضرورت ہو۔
• مقام اور قانونی دائرۂ اختیار۔
• نشو و نما کا مرحلہ۔
• تاریخ۔
• دستاویز کی نوعیت۔
• جاری کرنے والا ادارہ۔
• دستاویز کی حیثیت: نافذ العمل، محفوظ شدہ، مسودہ، یا منسوخ شدہ۔
• مصنوعات کی رجسٹریشن کی حیثیت۔
• فیصلے کی نوعیت: عمومی معلومات، تشخیص، خوراک کی مقدار، یا ضابطہ بند عمل۔

ان شرائط کو بعض اوقات تلاش کے فلٹرز کہا جاتا ہے۔ یہ ایسے اصول ہیں جو نظام کو ہر لسانی طور پر مشابہ متن کو سوال سے متعلقہ سمجھنے سے روکتے ہیں۔ ماخذوں کی منظوری کون دیتا ہے؟ "منظور شدہ ماخذ" کی اصطلاح کو مبہم نہیں رہنا چاہیے۔ ہمیں جاننا ہوگا:

• ماخذ کا انتخاب کس نے کیا؟
• اسے کس نوعیت کا اختیار حاصل ہے؟
• کیا یہ سائنسی، ضابطہ کار، یا تجارتی ماخذ ہے؟
• یہ کب شائع یا تازہ کیا گیا؟
• کیا یہ اب بھی نافذ العمل ہے؟
• یہ کس خطے، کس فصل، اور کس پیداواری نظام پر لاگو ہوتا ہے؟
• یہ کن دعووں کی تائید کر سکتا ہے؟
• اس سے کیا نتیجہ اخذ نہیں کیا جا سکتا؟

کوئی سائنسی مقالہ کسی مظہر یا تحقیقی نتیجے کو سمجھنے میں مدد دے سکتا ہے، مگر وہ کسی مصنوعات کی قانونی رجسٹریشن ثابت نہیں کرتا۔ اور استعمال کی سرکاری ہدایات کسی رجسٹرڈ مصنوعات کی شرائط طے کرتی ہیں، مگر وہ بذاتِ خود کسی عمومی معاشی اثر کو ثابت نہیں کرتیں۔ اور کسی سرکاری منڈی میں شائع شدہ قیمت اُس منڈی اور اُس تاریخ کے لیے درست ہو سکتی ہے، مگر وہ لازمی طور پر اس کے برابر نہیں جو کسی دوسرے خطے کے کسان کو نقل و حمل اور کمیشن کے بعد ملتا ہے۔ چنانچہ کسی ماخذ کا اختیار سوال کے ساتھ بدلتا رہتا ہے۔ تین تہیں ہمیشہ کافی نہیں ہوتیں یہ مفید ہے کہ کوئی جواب اس میں فرق کرے کہ ماخذ کیا کہتے ہیں، نظام نے کیا نتیجہ اخذ کیا، اور کس چیز کے لیے انسانی فیصلہ درکار ہے۔ لیکن حساس زرعی فیصلوں میں بہتر یہ ہے کہ پانچ تہیں پیش کی جائیں: 1\. نظام نے سوال سے کیا سمجھا مثال کے طور پر: میں نے یہ سمجھا کہ آپ کسی مخصوص فصل کے پتوں پر کسی مخصوص نشو و نما کے مرحلے میں ظاہر ہونے والے دھبوں کے سبب کے بارے میں پوچھ رہے ہیں۔ اس سے صارف کو یہ موقع ملتا ہے کہ جواب تعمیر ہونے سے پہلے وہ اس تفہیم کی تصحیح کر لے۔ 2\. ماخذ کیا کہتے ہیں ماخذ سے تائید یافتہ دعویٰ پیش کیا جاتا ہے، ساتھ ہی ماخذ کا نام، تاریخ، اور دائرۂ کار۔ 3\. نظام نے کئی معلوماتی ٹکڑوں سے کیا ترتیب دیا اگر نظام ایک سے زائد ماخذ کو ملاتا ہے یا کوئی تعلق اخذ کرتا ہے، تو اسے بتانا ہوگا کہ یہ اس کی اپنی ترتیب یا موازنہ ہے، کوئی براہ راست اقتباس نہیں۔ 4\. کیا اب بھی نامعلوم ہے جیسے واضح تصویر کی عدم موجودگی، کسی جانچ کا نہ ہونا، ملک کا معلوم نہ ہونا، یا اس کی تصدیق نہ ہونا کہ دستاویز اب بھی مؤثر ہے یا نہیں۔ 5\. کس چیز کے لیے انسانی فیصلہ یا مجاز اتھارٹی درکار ہے جیسے حتمی تشخیص، کسی ضابطہ بند مادے کا انتخاب، خوراک کی مقدار کی منظوری، یا ایسی مداخلت کا نفاذ جو فصل یا انسانوں کو نقصان پہنچا سکتی ہو۔ یہ تائید یافتہ معلومات کو خودکار استنباط یا پیشہ ورانہ فیصلے کے ساتھ خلط ملط ہونے سے روکتا ہے۔ حوالہ کوئی آرائش نہیں صارف کو یہ استعداد حاصل ہونی چاہیے کہ وہ حوالے کا جائزہ لے اور جواب کے ساتھ اس کا تعلق سمجھ سکے۔ ایک اچھا حوالہ یہ واضح کرتا ہے:

• دستاویز یا جاری کرنے والے ادارے کا نام۔
• اجرا یا آخری تازہ کاری کی تاریخ۔
• وہ حصہ جو استعمال کیا گیا۔
• دستاویز کا دائرۂ کار۔
• آیا یہ سرکاری ہے، سائنسی ہے، یا تجارتی۔
• آیا نظام نے متن کو من و عن نقل کیا، اس کا خلاصہ کیا، یا اسے کسی دوسرے ماخذ کے ساتھ ملایا۔

کسی طویل پیراگراف کے بعد ایک عمومی ربط رکھ دینا یہ ظاہر نہیں کرتا کہ ماخذ کس جملے کی تائید کرتا ہے۔ اس سے جواب کو دستاویزیت کا ظاہری روپ مل سکتا ہے مگر قاری کو دعوے کا سراغ لگانے کے قابل نہیں بناتا۔ اصول: یہ کافی نہیں کہ ماخذ محض موجود ہو؛ اسے سوال سے متعلقہ ہونا چاہیے، اسے جملے کی تائید کرنی چاہیے، اور جملے کی حدود کو ماخذ کی حدود کے اندر رہنا چاہیے۔ نظام کیا کرتا ہے جب اسے خاطر خواہ تائید نہ مل سکے؟ گریز کرنا مکالمے کی ناکامی نہیں۔ نظام جواب گھڑے بغیر صارف کی مدد جاری رکھ سکتا ہے۔ وہ کہہ سکتا ہے:

• مجھے مخصوص ملک میں اس مصنوعات کے لیے کوئی مؤثر ماخذ نہیں مل رہا۔
• دستیاب دستاویز پرانی ہو چکی ہے اور خوراک کی مقدار طے کرنے کے لیے کافی نہیں۔
• تصویر ممکنہ اسباب میں امتیاز کرنے کی اجازت نہیں دیتی۔
• سوال کے لیے فصل کا نام، نشو و نما کا مرحلہ، اور مقام درکار ہے۔
• عمومی معلومات موجود ہیں، مگر وہ علاج کی سفارش کے لیے کافی نہیں۔
• مداخلت کا انتخاب کرنے سے پہلے کسی ماہر کے معائنے یا کسی جانچ کی ضرورت ہے۔

پھر وہ ایک محفوظ اگلا قدم پیش کرتا ہے:

• ایک اضافی تصویر طلب کرنا۔
• مقام متعین کرنا۔
• مصنوعات کا نام بعینہٖ وہی دینا جیسا وہ ڈبے پر درج ہے۔
• رجسٹریشن کی حیثیت جانچنا۔
• استعمال کی موجودہ سرکاری ہدایات کا جائزہ لینا۔
• زرعی توسیعی خدمات یا کسی اہل ماہر سے رابطہ کرنا۔

یوں گریز کرنا کوئی بند گلی نہیں بلکہ شواہد مکمل کرنے کا ایک واضح راستہ بن جاتا ہے۔ غیر ذمہ دارانہ طرزِ عمل کی ایک مثال صارف پوچھتا ہے: "میری فصل پر دھبے نمودار ہو گئے ہیں؛ میں کیا استعمال کروں؟" نظام براہ راست جواب دیتا ہے: "فلاں فلاں مقدار میں مصنوعات X استعمال کریں۔" یہ جواب غیر ذمہ دارانہ ہے کیونکہ یہ ایک عمومی تفصیل سے کسی مادے اور خوراک کی مقدار تک یہ جانے بغیر پہنچ جاتا ہے:

• فصل۔
• ملک۔
• تشخیص۔
• نشو و نما کا مرحلہ۔
• رجسٹریشن کی حیثیت۔
• استعمال کی سرکاری ہدایات۔
• سلامتی کا وقفہ۔
• آیا ان علامات کے اور بھی اسباب ہیں۔
• صارف کی یہ استعداد کہ وہ علاج محفوظ طریقے سے انجام دے سکے۔

الفاظ کی ترتیب لسانی طور پر درست ہو سکتی ہے، تاہم اس میں فیصلے کی بنیاد مفقود ہے۔ ذمہ دارانہ جواب کی ایک مثال جواب یوں ہو سکتا ہے: "موجودہ معلومات دھبوں کا سبب متعین کرنے یا علاج منتخب کرنے کے لیے کافی نہیں ہیں۔ یہ علامات بیماری، غذائی عنصر کی کمی، پانی کے دباؤ، اور موسم سے وابستہ نقصان کے درمیان باہم مل جل سکتی ہیں۔ فصل کا نام اور قسم، اگر معلوم ہو، ملک یا خطہ، نشو و نما کا مرحلہ، اور پودے پر علامات کہاں ظاہر ہوتی ہیں یہ بتائیں، اور پتے کی اوپری اور نچلی سطح کی ایک واضح تصویر بھیجیں، نیز ایک ایسی تصویر جو یہ دکھائے کہ مسئلہ کھیت میں کس قدر وسیع پیمانے پر پھیلا ہوا ہے۔ اس کے بعد میں علامات کا موازنہ مناسب ماخذوں سے کر سکتا ہوں اور امکانات اور غائب معلومات بیان کر سکتا ہوں، مگر کسی مصنوعات یا خوراک کی مقدار متعین کرنے کے لیے تشخیص کی تصدیق، استعمال کے ملک میں اُس فصل اور اُس آفت کے لیے مصنوعات کی رجسٹریشن، اور استعمال کی موجودہ سرکاری ہدایات درکار ہیں، اور اس کے لیے کسی ماہر سے رجوع کرنا بھی ضروری ہو سکتا ہے۔" یہ جواب محض گریز نہیں کرتا؛ بلکہ یہ:

• وضاحت کرتا ہے کہ معلومات کیوں ناکافی ہیں۔
• دکھاتا ہے کہ ایک سے زائد تعبیر ممکن ہے۔
• مخصوص ڈیٹا طلب کرتا ہے۔
• واضح کرتا ہے کہ نظام کیا کر سکتا ہے۔
• نشان دہی کرتا ہے کہ کس چیز کے لیے سرکاری ماخذ یا ماہر درکار ہے۔
• لسانی روانی کو غیر مجاز علاجی اختیار میں بدلنے سے روکتا ہے۔

ایک اور مثال: قیمت کے بارے میں سوال اگر کوئی کسان پوچھے: "آج میری فصل کی قیمت کیا ہے؟" تو یہ کافی نہیں کہ نظام کوئی ایسا عدد بازیافت کر لے جس میں فصل کا نام شامل ہو۔ اسے جاننا ہوگا:

• ملک، خطہ، اور منڈی۔
• قیمت کی تاریخ، اور اگر ضرورت ہو تو وقت۔
• کرنسی۔
• فروخت کی اکائی۔
• قسم۔
• معیار کا درجہ۔
• آیا قیمت تھوک ہے، پرچون، یا کھیت سے براہ راست۔
• آیا اس میں نقل و حمل یا کمیشن شامل ہے۔
• اسے کس ادارے نے شائع کیا؟

اور ذمہ دارانہ جواب یہ نہیں کہتا: "قیمت فلاں فلاں ہے۔" بلکہ وہ مثال کے طور پر یہ کہتا ہے: "مجھے مخصوص منڈی میں فلاں تاریخ کو، مذکورہ اکائی اور درجے کے لیے ایک شائع شدہ قیمت ملی۔ کسان کو حاصل ہونے والی قیمت معیار، نقل و حمل، اور کمیشن کے لحاظ سے مختلف ہو سکتی ہے، اور میں نے آپ کے فارم پر کسی مقامی سودے کی تصدیق نہیں کی۔" یہ واضح کرتا ہے کہ بازیافت نے ایک مخصوص منڈی کی معلومات لوٹائیں، ہر جگہ کی "حقیقی قیمت" نہیں۔ ترجمہ خود بھی نظم و نسق کا تقاضا کرتا ہے کسی مصنوعات کے لیبل یا زرعی رہنمائی کے ترجمے کے لیے کوئی لسانی ماڈل استعمال کیا جا سکتا ہے۔ لیکن ایک رواں ترجمہ ان میں غلطی چھپا سکتا ہے:

• پیمائش کی اکائی۔
• نفی۔
• انتظار کی مدت۔
• آفت کا نام۔
• رجسٹرڈ فصل۔
• لازم ہونے کا درجہ۔
• تنبیہ۔
• قانونی دائرۂ اختیار۔

اس لیے کسی سلامتی سے متعلق دستاویز کے مشینی ترجمے کو سرکاری متن کا متبادل اختیار نہیں بن جانا چاہیے۔ نظام سمجھنے میں مدد دے سکتا ہے، مگر اصل مرجع کو برقرار رکھنا، اس کا ماخذ اور ورژن ظاہر کرنا، اور نفاذ سے پہلے حساس اصطلاحات پر نظرثانی کرنا ضروری ہے۔ ہم نظام کی تشخیص کیسے کریں؟ اسلوبی معیار یا صارف کے اطمینان کا جائزہ لینا کافی نہیں۔ عملیاتی سلسلے کے ہر مرحلے کو جانچنا ضروری ہے: سوال کی تفہیم

• کیا نظام نے فصل، مقام، اور مطلوبہ معنی کی شناخت کی؟
• کیا اس نے غائب معلومات طلب کیں؟

بازیافت

• کیا اسے مناسب ماخذ ملا؟
• کیا اس نے کسی پرانے یا غیر مقامی ماخذ کو خارج کیا؟
• کیا اس نے وہ حصہ بازیافت کیا جو سوال کا جواب دیتا ہے؟

الفاظ کی ترتیب

• کیا جواب اس پر قائم رہا جو ماخذ کہتا ہے؟
• کیا اس نے کوئی غیر تائید یافتہ دعویٰ شامل کیا؟
• کیا اس نے قیود اور غیر یقینی صورت حال کو محفوظ رکھا؟

حوالہ جات

• کیا قاری ماخذ تک رسائی حاصل کر سکتا ہے؟
• کیا ماخذ درحقیقت جملے کی تائید کرتا ہے؟
• کیا دستاویز کی تاریخ اور حیثیت ظاہر کی گئی ہے؟

سلامتی

• کیا نظام نے شواہد ناکافی ہونے پر خوراک کی مقدار یا تشخیص فراہم کرنے سے گریز کیا؟
• کیا اس نے واضح کیا کہ کب کسی ماہر یا ضابطہ کار اتھارٹی سے رجوع کرنا چاہیے؟
• کیا اس نے عمومی معلومات کو قابلِ عمل ہدایت میں بدلنے سے روکا؟

زرعی اطلاق

• کیا جواب اُس فصل، مقام، اور وقت کے لیے مؤثر ہے؟
• کیا صارف اسے سمجھ کر انجام دے سکتا ہے؟
• کیا انسانی ذمہ داری واضح رہی؟

ممکن ہے نظام کوئی درست دستاویز ڈھونڈنے میں کامیاب ہو، پھر اس کی تعبیر میں ناکام ہو جائے۔ ممکن ہے وہ کسی نامناسب اقتباس کا وفادار جواب مرتب کر دے۔ ممکن ہے وہ ایسے جملے کے لیے ایک حقیقی حوالہ فراہم کرے جس کی ماخذ تائید نہیں کرتا۔ اس لیے پورے عملیاتی سلسلے کی تشخیص ضروری ہے، نہ کہ صرف تنہا ماڈل کی۔ اعلیٰ سطح کے قاری کے لیے: بازیافت ماڈل کا اس پر انحصار کم کرتی ہے جو اس نے پہلے سیکھا تھا، مگر یہ خطرے کا کچھ حصہ اشاریے کے معیار، سوال کی تفہیم، نتائج کی درجہ بندی، دستاویز کی صحت، اور منضبط تولید کی طرف منتقل کر دیتی ہے۔ اسی وجہ سے عملیاتی سلسلے کی کامیابی جواب میں محض کسی ماخذ کی موجودگی سے نہیں ناپی جاتی، بلکہ سوال، ماخذ، دعوے، سیاق، اور فیصلے کے درمیان تعلق کی درستی سے ناپی جاتی ہے۔ ساتویں باب کا کردار ساتویں باب کا حوالہ برقرار رکھا جا سکتا ہے، مگر بہتر یہ ہے کہ واضح کیا جائے کہ وہ کیا اضافہ کرے گا: ساتواں باب زیادہ تفصیل سے یہ بیان کرے گا کہ فیصلہ سازی کے معاون اور علم کی بازیافت کے نظام کیسے تعمیر کیے جائیں، ماخذ کیسے منظم کیے جائیں، تلاش کو سیاق کے ذریعے کیسے محدود کیا جائے، حوالے کیسے دکھائے جائیں، اور بازیافت شدہ متن کو ایسی سفارش میں بدلنے سے کیسے روکا جائے جو اپنے اختیار سے تجاوز کرے۔ اس سے حوالے کو ایک واضح کردار ملتا ہے، بجائے اس کے کہ وہ محض آئندہ آنے والی معلومات کا وعدہ بن کر رہ جائے۔ اختتامیہ ایک لسانی ماڈل علم تک رسائی آسان بنا سکتا ہے: وہ ایک روزمرہ سوال کو ایک تلاش میں بدلتا ہے، اقتباسات جمع کرتا ہے، ان کا خلاصہ کرتا ہے، اور ایک قابلِ فہم جواب مرتب کرتا ہے۔ لیکن لسانی روانی سوال اور فیصلے کے درمیان سائنسی اور ضابطہ کار راستے کو مختصر نہیں کرتی۔ اس لیے ایک ذمہ دار نظام کو جاننا چاہیے:

• اس نے سوال سے کیا سمجھا۔
• اس کے پاس کن معلومات کی کمی ہے۔
• اس نے کہاں تلاش کیا۔
• اس نے یہ ماخذ کیوں منتخب کیا۔
• آیا ماخذ اس سیاق کے لیے موجودہ اور مؤثر ہے۔
• اس نے ماخذ سے کیا لیا۔
• اس نے کیا نتیجہ اخذ کیا۔
• اس کا کردار کہاں ختم ہوتا ہے۔
• اور اسے کب گریز کرنا ہے یا فیصلہ کسی انسان کی طرف منتقل کرنا ہے۔

اس حصے کا پیغام درج ذیل بیان میں سمیٹا جا سکتا ہے: ایک لسانی ماڈل علم کا دروازہ بن سکتا ہے، مگر وہ محض رواں بولنے سے ماخذ نہیں بن جاتا، اور نہ ہی محض سوال سے قریب کوئی متن ڈھونڈ لینے سے فیصلہ ساز بن جاتا ہے۔ تجویز کردہ اختتامی بیان یہ ہے: ایک قابلِ اعتماد جواب محض درست دکھائی نہیں دیتا؛ وہ اپنا ماخذ، اپنے اطلاق کی حدود، جو کچھ غائب ہے، اور یہ ظاہر کرتا ہے کہ اسے عمل میں بدلنے کا اختیار کس کے پاس ہے۔

9۔ قابل تشریح مصنوعی ذہانت

جب نظام کوئی ماحصل پیدا کرتا ہے، تو ایک فطری سوال اٹھتا ہے: اس نے یہ ماحصل کیوں پیدا کیا؟ ماڈل پیداوار میں کمی کی پیش گوئی کر سکتا ہے، کسی بیماری کے شبے کی سطح بڑھا سکتا ہے، پانی کے دباؤ کے بارے میں انتباہ جاری کر سکتا ہے، یا کسی پھل کو کسی خاص معیاری درجے میں شمار کر سکتا ہے۔ لیکن تنہا ماحصل صارف کو یہ نہیں بتاتا کہ نظام نے کن معلومات پر انحصار کیا، اور نہ یہ کہ وہ معلومات مکمل یا قابل اعتماد تھیں یا نہیں۔ قابل تشریح مصنوعی ذہانت کے اوزار صارف کو یہ سمجھنے میں مدد دینے کی کوشش کرتے ہیں کہ ماڈل میں داخل کیے گئے ڈیٹا اور اس کے پیدا کردہ ماحصل کے درمیان کیا تعلق ہے۔ وہ مثال کے طور پر دکھا سکتے ہیں:

• کہ مٹی کی کم نمی اُن عوامل میں شامل تھی جو دباؤ کے بلند تر تخمینی خطرے سے وابستہ تھے۔
• کہ پیش گوئی شدہ درجۂ حرارت نے آبپاشی کی تخمینی ضرورت پر اثر ڈالا۔
• کہ قسم اور نشو و نما کا مرحلہ اُن عوامل میں نمودار ہوئے جو پیداوار کی پیش گوئی سے وابستہ تھے۔
• کہ پتے کی تصویر کا کوئی خاص حصہ اس کے مشتبہ قرار دیے جانے سے وابستہ تھا۔
• کہ کسی سینسر کی ریڈنگ کی عدم موجودگی، یا اس میں تبدیلی، نے نظام کے اعتماد پر اثر ڈالا۔
• کہ ماحصل دو درجات کو الگ کرنے والی حد کے قریب تھا۔

لیکن یہ اوزار لفظ "کیوں" کے ہر معنی کا جواب نہیں دیتے۔ وہ عام طور پر یہ وضاحت کرتے ہیں کہ ماڈل نے اپنے حسابات کے مطابق یہ ماحصل کیوں پیدا کیا، مگر لازمی طور پر یہ ثابت نہیں کرتے کہ کھیت میں یہ مظہر کیوں واقع ہوا۔ لفظ "کیوں" کے اندر تین مختلف سوالات پوشیدہ ہیں جب صارف پوچھتا ہے "کیوں؟"، تو اس کی مراد تین سوالات میں سے ایک ہو سکتی ہے: 1\. ماڈل نے یہ ماحصل کیوں پیدا کیا؟ یہ ماڈل کے طرزِ عمل کے بارے میں سوال ہے۔ جواب یوں ہو سکتا ہے: ماڈل نے خطرے کا تخمینہ اس لیے بڑھایا کہ نمی کی ریڈنگ گر گئی، پیش گوئی شدہ درجۂ حرارت بڑھ گیا، اور سینسروں میں سے ایک سے کوئی حالیہ ریڈنگ نہیں آئی۔ یہ جواب دکھاتا ہے کہ ماڈل نے کون سی معلومات استعمال کیں۔ 2\. زرعی مظہر کیوں واقع ہوا؟ یہ زرعی حقیقت کے بارے میں سوال ہے۔ ایک ممکنہ جواب یوں ہو سکتا ہے: شاید نمی اس لیے گری کہ پانی کی طلب بڑھ گئی، یا اس لیے کہ آبپاشی اُس قطعے تک صحیح طور پر نہیں پہنچ رہی تھی، یا مٹی کے کسی مسئلے کی وجہ سے، یا سینسر کی غلطی کی وجہ سے۔ ماڈل کی تعبیر کا کوئی اوزار تنہا یہ متعین نہیں کر سکتا کہ ان اسباب میں سے کون سا درست ہے۔ یہ حقیقت کہ ماڈل نے نمی کی ریڈنگ استعمال کی، اس کے گرنے کا سبب ثابت نہیں کرتی، اور نہ یہ ثابت کرتی ہے کہ پودا درحقیقت دباؤ کا شکار ہے۔ 3\. ہمیں یہ عمل کیوں کرنا چاہیے؟ یہ فیصلے کے بارے میں سوال ہے۔ خواہ ماڈل کا انتباہ معقول ہی کیوں نہ ہو، اس سے خود بخود یہ نتیجہ نہیں نکلتا کہ درست عمل آبپاشی بڑھانا ہے۔ ممکن ہے سینسر خراب ہو، ممکن ہے بارش متوقع ہو، ممکن ہے مسئلہ اس میں ہو کہ پانی صرف ایک محدود علاقے تک پہنچ رہا ہے، یا فصل کا مرحلہ اس سے مختلف ہو جو نظام نے فرض کر رکھا تھا۔ چنانچہ ان میں فرق کرنا ضروری ہے: ماڈل کے ماحصل کی وضاحت ← زرعی صورت حال کی وضاحت ← عمل کا جواز اور ایک سطح سے دوسری سطح تک جانے کے لیے اضافی ڈیٹا اور شواہد درکار ہوتے ہیں۔ وضاحت کس کے لیے مقصود ہے؟ کوئی ایک ہی وضاحت ایسی نہیں جو تمام صارفین کے لیے کارآمد ہو۔ ہر فریق کو ایک مختلف سطح درکار ہوتی ہے۔ ڈویلپر جاننا چاہتا ہے:

• کیا ماڈل نے مؤثر ڈیٹا پر انحصار کیا؟
• کیا اس نے کوئی غلط مختصر راستہ سیکھ لیا؟
• کیا اس نے پودے کے بجائے تصویر کے پس منظر پر توجہ دی؟
• کیا ڈیٹا کی تازہ کاری کے بعد اس کا طرزِ عمل بدل گیا؟
• کیا مداخل میں معمولی تبدیلی کے ساتھ ماحصل مستحکم رہتا ہے؟

زرعی ماہر جاننا چاہتا ہے:

• کیا ماڈل کے استعمال کردہ عوامل زرعی اعتبار سے بامعنی ہیں؟
• کیا اس نے کوئی اہم متغیر نظر انداز کیا؟
• کیا اس نے کسی شماریاتی تعلق کو کسی زرعی سبب کے ساتھ خلط ملط کیا؟
• کیا نتیجہ اس قسم، اس موسم، اور اس مقام کے لیے قرینِ قیاس ہے؟
• کون سی پیمائش یا جانچ اس کی تائید یا تردید کر سکتی ہے؟

کسان یا آپریٹر کو ایک عملی جواب درکار ہے:

• نظام نے کیا کہا؟
• نتیجہ کن معلومات پر مبنی تھا؟
• کیا یہ معلومات موجودہ اور قابل اعتماد ہیں؟
• نظام کیا نہیں جانتا؟
• اگلا محفوظ قدم کیا ہے؟

نظرثانی کنندہ یا ذمہ دار اتھارٹی کو ایک قابلِ آڈٹ ریکارڈ درکار ہے:

• ماڈل کا ورژن کیا ہے؟
• فیصلے کے وقت کون سا ڈیٹا دستیاب تھا؟
• کون سے اصول یا حدود لاگو کیے گئے؟
• کیا کسی انسان نے نتیجے کو منسوخ کیا؟ کیوں؟
• کیا اس وقت ماخذ یا سینسر مؤثر تھا؟

محقق یا ڈویلپر کے لیے موزوں تصویری پیشکش شاید اُس کارکن کے لیے مفید نہ ہو جسے چند منٹوں میں عمل کرنا ہے۔ اس لیے وضاحت کو فرد اور فیصلے کے لیے ڈیزائن کرنا ضروری ہے، نہ کہ صرف اس کے لیے جو اوزار دکھا سکتا ہے۔ وضاحت کی دو اقسام دو بنیادی سطحوں میں فرق کیا جا سکتا ہے: ایک انفرادی معاملے کی وضاحت یہ اس سوال کا جواب دینے کی کوشش کرتی ہے: نظام نے اِس تصویر یا اِس کھیت کے لیے ابھی یہ نتیجہ کیوں دیا؟ یہ دکھا سکتی ہے کہ مٹی کی نمی اور درجۂ حرارت وہ دو عوامل تھے جو کسی خاص انتباہ سے سب سے زیادہ وابستہ تھے، یا یہ کہ پتے کی تصویر کا ایک حصہ اس کی درجہ بندی سے وابستہ تھا۔ یہ وضاحت کسی مخصوص معاملے کا جائزہ لینے کے لیے مفید ہے، مگر یہ لازمی طور پر تمام معاملات میں ماڈل کے طرزِ عمل کو بیان نہیں کرتی۔ ماڈل کے عمومی طرزِ عمل کی وضاحت یہ ایسے سوالات کا جواب دینے کی کوشش کرتی ہے:

• ماڈل عام طور پر کس قسم کی معلومات پر انحصار کرتا ہے؟
• کیا کسی خاص متغیر کے بدلنے کے ساتھ پیداوار کی پیش گوئی بڑھتی ہے یا گھٹتی ہے؟
• کیا اس کا طرزِ عمل مختلف اقسام یا مختلف خطوں کے درمیان مختلف ہوتا ہے؟
• کون سے متغیرات مؤثر عوامل میں بار بار نمودار ہوتے ہیں؟
• کیا کسی خاص قسم کے ڈیٹا کی غیر موجودگی میں وہ کمزور پڑ جاتا ہے؟

یہ سطح ماڈل کو معاملات کے ایک وسیع مجموعے کے تناظر میں سمجھنے میں مدد دیتی ہے، مگر بذاتِ خود یہ کسی انفرادی فیصلے کی وضاحت نہیں کرتی۔ ممکن ہے ماڈل عمومی طور پر موسم اور مٹی پر انحصار کرتا ہو، جبکہ کسی خاص کھیت کا نتیجہ بنیادی طور پر کسی ایک سینسر کی غیر معمولی ریڈنگ سے متاثر ہوا ہو۔ اس لیے عمومی وضاحت کو معاملے کی وضاحت کی جگہ استعمال نہیں کرنا چاہیے، اور نہ ہی اس کے برعکس۔ وضاحت کن صورتوں میں ہو سکتی ہے؟ وضاحت پیش کرنے کے متعدد طریقے ہیں، اور ہر ایک کے اپنے معنی اور اپنی حدود ہیں۔ 1۔ نتیجے سے وابستہ عوامل دکھانا نظام اس طرح کی فہرست دکھا سکتا ہے:

• مٹی کی کم نمی: خطرے کے تخمینے کو بڑھایا۔
• پیشگوئی شدہ بلند درجۂ حرارت: تخمینے کو بڑھایا۔
• بارش کا امکان: تخمینے کو کم کیا۔
• کوئی حالیہ ریڈنگ نہیں: اعتماد کو کم کیا۔

یہ فہرست دکھاتی ہے کہ ماڈل نے معلومات کو کس طرح برتا، مگر یہ ثابت نہیں کرتی کہ انہی عوامل نے زرعی حالت پیدا کی۔ 2۔ تصویر کے کسی حصے کو نمایاں کرنا قابل تشریحیت کا کوئی آلہ پتے کی تصویر کے بعض حصوں کو رنگ دے سکتا ہے تاکہ وہ علاقے دکھائے جا سکیں جو نتیجے سے سب سے مضبوطی سے وابستہ ہیں۔ اس سے یہ ظاہر ہونے میں مدد مل سکتی ہے کہ ماڈل نے کس پر توجہ مرکوز کی:

• متعلقہ دھبہ۔
• پتے کا کنارہ۔
• تصویر کا پس منظر۔
• پودے کے پاس رکھا ہوا کوئی لیبل۔
• حالت سے غیر متعلق کوئی سایہ یا انعکاس۔

لیکن رنگے ہوئے علاقے کا یہ مطلب نہیں کہ ماڈل نے "بیماری دیکھ لی" جیسے کوئی ماہر دیکھتا ہے، اور نہ ہی یہ ثابت ہوتا ہے کہ نمایاں کیے گئے حصے نے درجہ بندی پیدا کی۔ یہ ماڈل کے اندر ایک حسابی تعلق کی علامت ہے جس کی تعبیر احتیاط کے ساتھ کرنی ہوتی ہے۔ 3۔ نتیجے کا کسی مماثل معاملے سے موازنہ نظام کہہ سکتا ہے: یہ معاملہ ان پہلے کی مثالوں سے مشابہت رکھتا ہے جنہیں اسی زمرے میں درجہ بند کیا گیا تھا۔ یہ موازنہ صارف کو مماثلت کی بنیاد دیکھنے میں مدد دیتا ہے۔ مگر صارف کو یہ جاننا چاہیے:

• کیا پہلے کی وہ مثالیں دستاویزی شکل میں موجود ہیں؟
• کیا وہ کسی مماثل فصل، قسم، اور ماحول سے آئی تھیں؟
• کیا مماثلت علامات میں ہے، یا پس منظر اور روشنی میں؟
• کیا ایسی مماثل مثالیں بھی ہیں جن کا نتیجہ مختلف نکلا؟

4۔ یہ بتانا کہ کس چیز سے نتیجہ بدل جاتا آلہ کہہ سکتا ہے: اگر ماڈل کے حساب میں نمی کی ریڈنگ زیادہ ہوتی، تو خطرے کا تخمینہ کم ہوتا۔ یہ مدخل میں تبدیلی کے حوالے سے ماڈل کی حساسیت دکھاتا ہے، مگر یہ ثابت نہیں کرتا کہ درحقیقت نمی بڑھانے سے کھیت میں خطرہ ٹل جائے گا۔ یہ ماڈل کے حساب میں ایک تبدیلی بیان کرتا ہے، کسی حقیقی زرعی مداخلت کا اثر نہیں۔ یہاں بھی فرق سامنے آتا ہے: ماڈل کا نتیجہ کیا بدلتا ہے؟ اور: زرعی حقیقت کیا بدلتی ہے؟ تعبیر ایک تقریبی اندازہ ہو سکتی ہے، مکمل افشا نہیں کچھ ماڈل نسبتاً سادہ ہوتے ہیں، اور ان کے حساب کرنے کے طریقے کا براہِ راست سراغ لگایا جا سکتا ہے۔ البتہ بعض پیچیدہ ماڈلوں میں نتیجہ نکلنے کے بعد ایک اور آلہ استعمال کیا جاتا ہے تاکہ اس کے پیچھے کی وجوہات کا تقریبی اندازہ لگایا جا سکے۔ دوسری صورت میں، تعبیر اُس ہر چیز پر ایک مکمل دریچہ نہیں ہوتی جو ماڈل کے اندر ہوا۔ یہ اس کے طرزِ عمل کی سادہ کاری یا تقریبی اندازہ ہو سکتی ہے۔ اس لیے خود تعبیر کو بھی جانچنا چاہیے:

• کیا ڈیٹا میں معمولی تبدیلی پر یہ بہت زیادہ بدل جاتی ہے؟
• کیا یہ متضاد نتائج کے لیے ملتی جلتی تعبیریں دیتی ہے؟
• کیا یہ واقعی اس کی عکاسی کرتی ہے جو ماڈل نے استعمال کیا؟
• کیا یہ کسی اہم عامل کو اُس عامل سے الگ کر سکتی ہے جو محض اس کے ساتھ وابستہ ہے؟
• کیا ماڈل کی تازہ کاری کے بعد تعبیر مستحکم رہی؟

چنانچہ اگر ایسی معمولی تبدیلی کے بعد، جو نتیجہ نہیں بدلتی، "سب سے اہم عوامل" کی فہرست یکسر بدل جائے، تو تعبیر غیر مستحکم ہو سکتی ہے، خواہ گرافک کتنا ہی قائل کن کیوں نہ دکھائی دے۔ باہم وابستہ عوامل ڈیٹا میں ایسے متغیرات ہو سکتے ہیں جو ساتھ ساتھ حرکت کرتے ہیں، جیسے:

• درجۂ حرارت اور تبخیر۔
• موسم اور دن کی لمبائی۔
• مٹی کی قسم اور نکاسی۔
• فارم کا رقبہ اور آلات کی قسم۔
• تجربہ اور ریکارڈ رکھنے کا معیار۔

جب متغیرات کے درمیان مضبوط باہمی تعلق ہو، تو قابل تشریحیت کا آلہ ان کے درمیان اہمیت کو مختلف طریقوں سے تقسیم کر سکتا ہے۔ ایک متغیر سرِفہرست کے قریب دکھائی دے سکتا ہے حالانکہ دوسرا بھی اسی جیسی معلومات رکھتا ہے۔ اس لیے عوامل کی درجہ بندی کو زرعی اسباب کی کوئی مقررہ درجہ بندی سمجھ کر نہیں پڑھنا چاہیے۔ کسی ماہر کو ان کے باہمی تعلقات جانچنے کی ضرورت پیش آ سکتی ہے، اور یہ بھی کہ آیا ماڈل ایک کو دوسرے کے متبادل کے طور پر استعمال کر رہا ہے۔ قابل تشریحیت کی بنیادی حدود قابل تشریحیت کی کچھ حدود ہیں جن کا سامنے رہنا ضروری ہے:

• یہ بیان کرتی ہے کہ ماڈل نے کیا استعمال کیا، اور ضروری نہیں کہ یہ متعین کرے کہ کھیت میں اس مظہر کا سبب کیا بنا۔
• یہ ماڈل کے طرزِ عمل کا ایک تقریبی اندازہ ہو سکتی ہے، اس کے حساب کرنے کے طریقے کا مکمل بیان نہیں۔
• یہ کسی غلط ماڈل کو درست ماڈل میں نہیں بدلتی۔
• یہ ناکافی ڈیٹا یا خراب پیمائشوں کی تلافی نہیں کرتی۔
• یہ ثابت نہیں کرتی کہ تربیتی ڈیٹا نئے فارم کی نمائندگی کرتا ہے۔
• یہ ثابت نہیں کرتی کہ احتمالات درست پیمانہ بند ہیں یا نتیجہ درست ہے۔
• یہ خود بخود تجویز کردہ عمل کو جواز فراہم نہیں کرتی۔
• یہ اُس وقت بھی قائل کن دکھائی دے سکتی ہے جب معاملہ ماڈل کے سیکھے ہوئے دائرے سے باہر ہو۔
• قابل تشریحیت کا کوئی دوسرا آلہ استعمال کرنے پر یہ بدل سکتی ہے۔
• یہ ایک واضح اور دلکش گرافک کے پیچھے عدم استحکام چھپا سکتی ہے۔

پس قابل تشریحیت جانچ پڑتال اور جواب دہی کا آلہ ہے، توثیق کی سند نہیں۔ قابل تشریحیت ڈیٹا کی غلطیاں درست نہیں کرتی فرض کیجیے مٹی کی نمی کے کسی سینسر نے کوئی حالیہ ریڈنگ نہیں بھیجی، چنانچہ نظام نے چھ گھنٹے پہلے کی آخری محفوظ شدہ ریڈنگ استعمال کر لی۔ قابل تشریحیت کا آلہ دکھا سکتا ہے کہ نتیجے میں نمی ایک اہم عامل تھی، مگر یہ پرانی ریڈنگ کو تازہ نہیں بنا دیتا۔ اسی طرح، اگر تربیتی تصاویر کسی خاص قسم یا خطے کی نمائندگی نہیں کرتیں، تو نظام نئی تصویر کے نتیجے کی وضاحت تو کر سکتا ہے، مگر وہ وضاحت یہ ثابت نہیں کرتی کہ ماڈل اُس ماحول کے لیے کارآمد ہے۔ قابل تشریحیت کو ڈیٹا کا معیار اس کے اثر کے ساتھ پیش کرنا چاہیے، جیسے:

• تازہ ترین ریڈنگ کا وقت۔
• غائب اقدار کی موجودگی۔
• سینسر کی پیمانہ بندی کی حالت۔
• ڈیٹا کا ماخذ۔
• معاملہ تربیتی ڈیٹا سے کس قدر مشابہ ہے۔
• آیا نتیجہ اُس دائرے میں آتا ہے جس میں ماڈل کی جانچ کی گئی تھی۔

کوئی اثر انداز عامل اُس وقت مفید نہیں رہتا جب خود اس کی قدر قابل اعتماد نہ ہو۔ قابل تشریحیت سببیت ثابت نہیں کرتی اگر نظام دکھائے کہ پیداوار کی پیشگوئی میں نمی ایک اثر انداز عامل تھی، تو اس کا مطلب یہ ہے کہ ماڈل نے نتیجہ نکالتے وقت نمی کی معلومات استعمال کیں۔ مگر یہ ثابت نہیں کرتا کہ صرف نمی بدلنے سے پیداوار بھی اسی مقدار میں بدل جائے گی۔ نمی دوسرے عوامل سے وابستہ ہو سکتی ہے، جیسے:

• مٹی کی قسم۔
• آبپاشی کا نظام۔
• موسم۔
• نشو و نما کا مرحلہ۔
• کھیت کا انتظام۔
• قسم۔

کسی خاص مداخلت کا اثر متعین کرنے کے لیے ہمیں ایک تجربہ یا سببی ڈیزائن درکار ہے، ساتھ ہی مناسب زرعی علم بھی، جیسا کہ پچھلے حصے میں وضاحت کی گئی۔ ایک کلیدی اصول: ماڈل کی قابل تشریحیت ہمیں بتاتی ہے کہ اس کا حساب کیسے بدلا، نہ کہ یہ کہ اگر ہم مداخل میں سے کوئی ایک بدل دیں تو کھیت لازماً کیسے بدلے گا۔ پیداوار کی پیشگوئی کے مطالعے سے استنباط کی حدود پیداوار کی پیشگوئی کا مطالعہ [SRC006] ایسے انحدار ماڈلوں کے استعمال کی ایک مثال فراہم کرتا ہے جن کے ساتھ ایسے اوزار استعمال کیے گئے جو ایک مخصوص تحقیقی سیاق میں ان کے نتائج کی تعبیر میں مدد دیتے ہیں۔ اس مطالعے کو درج ذیل سمجھنے کے لیے استعمال کیا جا سکتا ہے:

• ماڈلوں میں داخل کیے گئے ڈیٹا کی قسم۔
• مطالعے میں استعمال ہونے والا پیشگوئی کا طریقہ۔
• قابل تشریحیت کے اوزار اُس سیاق میں کیسے لاگو کیے گئے۔
• محققین کے رپورٹ کردہ نتائج، ان کے ڈیٹا اور مطالعے کے ڈیزائن کی حدود کے اندر۔

مگر مطالعے میں متغیرات کی درجہ بندی یا ان کی اہمیت کو ہر فارم کے لیے کسی عمومی سببی اصول میں نہیں بدلنا چاہیے۔ اگر کوئی خاص متغیر ماڈل کی پیشگوئی میں اثر انداز دکھائی دے، تو یہ ثابت نہیں کرتا:

• کہ وہ تمام ماحولوں میں پیداوار کا بنیادی سبب ہے۔
• کہ اس متغیر کو بدلنے سے کسی دوسرے کھیت میں بھی وہی اثر پیدا ہو گا۔
• کہ عوامل کی درجہ بندی کسی دوسری قسم یا موسم میں بھی مستحکم رہے گی۔
• کہ ماڈل براہِ راست مداخلت کی سفارش دینے کے لیے موزوں ہے۔
• کہ حسابی نتیجہ کسی عمومی معاشی یا کھیتی اثر کو مستلزم ہے۔

جائز نتیجہ مطالعے اور اس میں استعمال شدہ تشخیصی سیاق کی حدود کے اندر ہی رہتا ہے۔ کسان کو وضاحت سے کیا درکار ہے؟ کسان کے لیے مفید وضاحت کسی تکنیکی خاکے یا متغیرات کی طویل فہرست سے شروع نہیں ہوتی۔ بلکہ وہ چھ سوالوں کا جواب دیتی ہے:

1. نتیجہ کیا ہے؟

نظام نے بالکل کیا کہا؟

2. اس نے کن معلومات پر انحصار کیا؟

کن ریڈنگز، تصاویر، یا ریکارڈوں نے نتیجے پر اثر ڈالا؟

3. ان معلومات کی حالت کیا ہے؟

کیا وہ تازہ، مکمل اور پیمانہ بند ہیں، یا کوئی پرانی یا غائب ریڈنگ موجود ہے؟

4. غیر یقینی صورت حال کا درجہ کیا ہے؟

کیا نتیجہ واضح ہے، حد کے قریب ہے، یا ماڈل کے تجربے کے دائرے سے باہر ہے؟

5. وضاحت کس چیز کو ثابت نہیں کرتی؟

کیا نتیجہ ایک ابتدائی انتباہ ہے، ایک تشخیص ہے، یا محض ایک پیشگوئی؟

6. محفوظ اگلا قدم کیا ہے؟

فیصلہ بدلنے سے پہلے کون سی پیمائش، معائنہ، یا نظرثانی درکار ہے؟

اس طرح وضاحت ایک عملی آلہ بن جاتی ہے، نہ کہ فیصلے سے کٹی ہوئی کوئی تکنیکی نمائش۔ مثال کو نئے سرے سے ترتیب دینا یہ کہنے کے بجائے: "پانی کے دباؤ کا خطرہ بڑھ گیا کیونکہ سطحی تہہ کی نمی تین دن میں گر گئی اور پیشگوئی شدہ درجۂ حرارت بڑھ گیا..." —ایسی عبارت جو سببی ثبوت کے طور پر سمجھی جا سکتی ہے—ہم یہ کہہ سکتے ہیں: "نظام نے پانی کے دباؤ کے احتمال کا اپنا تخمینہ بڑھایا کیونکہ گزشتہ تین دنوں میں سطحی تہہ کی نمی کی ریڈنگ گری، اور کیونکہ درجۂ حرارت کی پیشگوئیاں بڑھیں۔ مگر سیکٹر 4 کے سینسر نے چھ گھنٹے سے کوئی نئی ریڈنگ نہیں بھیجی، اس لیے تخمینہ نامکمل ڈیٹا پر مبنی ہو سکتا ہے۔ آبپاشی کا شیڈول ایڈجسٹ کرنے سے پہلے، سینسر کا معائنہ کریں، سیکٹر سے ایک خودمختار پیمائش لیں، اور نتیجے کا موازنہ ملتے جلتے حالات والے کسی ہمسایہ سیکٹر سے کریں۔" یہ عبارت واضح کرتی ہے:

• کہ بات ماڈل کے تخمینے کی ہو رہی ہے، کسی تصدیق شدہ سبب کی نہیں۔
• کہ کس ڈیٹا نے تخمینے پر اثر ڈالا۔
• کہ ڈیٹا کا ایک مدخل نامکمل ہے۔
• کہ یہ کمی اعتماد پر کیسے اثر ڈالتی ہے۔
• کہ اگلا قدم کیا ہے۔
• کہ آبپاشی کی ایڈجسٹمنٹ کو کسی خودکار حکم میں نہیں بدلا گیا۔

پتے کی تصویر سے ایک مثال نظام کہہ سکتا ہے: "ماڈل نے تصویر کو مشتبہ معاملے کے طور پر درجہ بند کیا، اور نتیجہ بنیادی طور پر پتے کے کنارے کے قریب موجود دھبوں سے وابستہ تھا۔ مگر تصویر میں نچلا رخ نظر نہیں آ رہا، اور ماڈل نے کسی ممکنہ بیماری اور غذائی عنصر کی کمی کے درمیان اعتماد سے تمیز نہیں کی۔ دونوں اطراف کی زیادہ واضح تصویر بھیجیں، اور تشخیص یا علاج کی طرف بڑھنے سے پہلے بتائیں کہ علامات پودے پر کہاں ظاہر ہو رہی ہیں اور کھیت میں کیسے پھیلی ہوئی ہیں۔" یہ وضاحت محض کسی رنگین نقشے سے بہتر ہے، کیونکہ یہ دکھاتی ہے:

• ماڈل نے کہاں توجہ مرکوز کی۔
• کون سے امکانات آپس میں گڈمڈ ہیں۔
• کون سی معلومات غائب ہیں۔
• اگلا قدم کیا ہے۔
• کہ درجہ بندی کوئی حتمی تشخیص نہیں۔

پیداوار کی پیشگوئی سے ایک مثال نظام کہہ سکتا ہے: "پیشگوئی شدہ پیداوار اس کھیت کی تاریخی اوسط سے کم رہی۔ ماڈل کے اندر، کم پیشگوئی سے سب سے مضبوطی سے وابستہ عوامل تاخیر سے کاشت، ایک مخصوص مدت کے دوران مٹی کی کم نمی، اور درجۂ حرارت کی بلند تر پیشگوئیاں ہیں۔ مگر ریکارڈ میں تازہ ترین علاج کے بارے میں مکمل معلومات موجود نہیں، اور ماڈل کی جانچ اس کھیت میں انتہائی گرم موسم کے دوران نہیں کی گئی۔ اس لیے نتیجے کو منصوبہ بندی کا ایک منظرنامہ سمجھا جانا چاہیے، کوئی ضمانت شدہ قدر نہیں۔" یہ اندازِ بیان وضاحت کو ان چیزوں میں بدلنے سے روکتا ہے:

• ایک تصدیق شدہ سبب۔
• پیداوار کا کوئی وعدہ۔
• مداخلت کی کوئی سفارش۔
• جانچ کے دائرے سے باہر کوئی تعمیم۔

وضاحت کب ناکافی ہوتی ہے؟ تنہا وضاحت پر انحصار نہیں کرنا چاہیے جب:

• نازک ڈیٹا غائب یا فرسودہ ہو۔
• معاملہ ان فصلوں یا اقسام سے باہر ہو جن پر ماڈل جانچا گیا تھا۔
• نتیجہ فیصلے کی حد کے قریب ہو۔
• متعدد سینسر آپس میں اختلاف کریں۔
• ممکنہ غلطی انسان یا حیوان کی سلامتی سے متعلق ہو۔
• فیصلہ کسی خوراک یا کسی ضابطہ بند مادے تک لے جائے۔
• نظام کسی حرکت کرتی مشین کو کنٹرول کر رہا ہو۔
• صارف وضاحت یا اس کے ماخذ کا معائنہ نہ کر سکے۔
• ڈیٹا میں معمولی تبدیلی سے وضاحت یکسر بدل جائے۔
• ماڈل جو وضاحت کرتا ہے اور فیصلے کو جو ثابت کرنا درکار ہے، ان کے درمیان خلیج ہو۔

ان صورتوں میں وضاحت کو معائنے یا اوپر کی سطح پر منتقلی کی طرف لے جانا چاہیے، نہ کہ محض زیادہ اعتماد کی طرف۔ وضاحت کی جانچ کے لیے عملی سوالات قاری یا خریدار پوچھ سکتا ہے:

• کیا نظام کسی ایک معاملے کے نتیجے کی وضاحت کرتا ہے، یا اپنے عمومی طرزِ عمل کی؟
• کیا یہ واضح کرتا ہے کہ اس نے کن ڈیٹا پر انحصار کیا، اور وہ کس وقت کا ہے؟
• کیا یہ غائب یا ناقابل اعتماد ڈیٹا دکھاتا ہے؟
• کیا وضاحت ماڈل کا براہِ راست بیان ہے، یا کسی دوسرے آلے سے پیدا کردہ تقریبی اندازہ؟
• کیا مدخل میں معمولی تبدیلی سے وضاحت بدل جاتی ہے؟
• کیا ڈویلپر نے اس امکان کا جائزہ لیا ہے کہ ماڈل پس منظر یا آلے پر انحصار کر رہا ہے؟
• کیا نظام باہمی تعلق اور سببیت کے درمیان تمیز کرتا ہے؟
• کیا یہ واضح کرتا ہے کہ اسے کن فصلوں، مقامات، اور موسموں کے دائرے میں جانچا گیا؟
• کیا صارف پروگرامنگ کی مہارت کے بغیر وضاحت سمجھ سکتا ہے؟
• کیا وضاحت کسی محفوظ اور قابلِ عمل قدم کی طرف لے جاتی ہے؟
• کیا کوئی انسان نتیجے کو چیلنج کر سکتا ہے یا اسے رد کر سکتا ہے؟
• کیا وہ ڈیٹا اور ورژن، جس نے وضاحت پیدا کی، بعد کی نظرثانی کے لیے محفوظ رکھے گئے؟

ماہر قاری کے لیے: وضاحت کو اس اعتبار سے جانچنا چاہیے کہ وہ ماڈل کے طرزِ عمل کی کتنی وفاداری سے نمائندگی کرتی ہے، معمولی تبدیلیوں کے تحت کتنی مستحکم رہتی ہے، کتنی قابلِ فہم ہے، اور صارف اور فیصلے سے کتنی موزوں ہے۔ کسی حساس فیصلے کے لیے ایک سادہ تر، واضح تر ماڈل اُس ماڈل سے بہتر ہو سکتا ہے جو کسی لیبارٹری پیمانے پر ذرا زیادہ نمبر لیتا ہو مگر جسے ایک غیر مستحکم تقریبی وضاحت درکار ہو۔ اختتامیہ قابل تشریح مصنوعی ذہانت ماڈل کو اس کی وجوہات سے باخبر نہیں کر دیتی، کسی شماریاتی تعلق کو زرعی سبب میں نہیں بدلتی، اور فیصلے کو خود بخود جواز عطا نہیں کرتی۔ اس کا بہترین کردار یہ ہے کہ وہ ہمیں یہ پوچھنے میں مدد دے:

• ماڈل نے کون سی معلومات استعمال کیں؟
• کیا وہ معلومات درست اور تازہ تھیں؟
• کیا اس نے وہیں توجہ مرکوز کی جہاں اسے کرنی چاہیے تھی؟
• اس نے کس چیز کو حساب سے باہر رکھا؟
• اس کے اعتماد کی حدود کیا ہیں؟
• اور عمل کرنے سے پہلے کس چیز کی تصدیق کی جانی چاہیے؟

اس حصے کا پیغام درج ذیل جملے میں سمیٹا جا سکتا ہے: ایک اچھی وضاحت محض یہ نہیں بتاتی کہ عدد ایسا کیوں نکلا؛ وہ اس ڈیٹا کو ظاہر کرتی ہے جس نے اسے پیدا کیا، ان حدود کو جو اسے پابند کرتی ہیں، اور اُس قدم کو جو اسے ایک اندھے فیصلے میں بدلنے سے روکتا ہے۔

10۔ ذہین زرعی نظام ایک مربوط نظام ہے، کوئی تنہا ماڈل نہیں

جب ہم کہتے ہیں کہ کوئی فارم "ذہین آبپاشی کا ماڈل" یا "بیماری کی شناخت کا ذہین نظام" استعمال کرتا ہے، تو قاری شاید ایک ایسے واحد پروگرام کا تصور کرے جو ڈیٹا وصول کرتا ہے اور پھر فیصلہ جاری کر دیتا ہے۔ مگر مفید زرعی نظام عموماً اس سادہ انداز میں کام نہیں کرتے۔ وہ زیادہ تر ایک باہم مربوط سلسلے کی مانند ہوتے ہیں: اس کا آغاز اس پیمائش سے ہوتا ہے کہ کھیت میں کیا ہو رہا ہے، وہ ڈیٹا کی جانچ، تجزیے اور زرعی قیود سے موازنے سے گزرتا ہے، اور اختتام کسی انسان کے سامنے سفارش پیش کرنے پر یا متعین حدود کے اندر کوئی خودکار عمل انجام دینے پر ہوتا ہے۔ اسی وجہ سے اسے مخلوط نظام کہا جاتا ہے: یہ مصنوعی ذہانت کی کسی ایک ہی قسم پر انحصار نہیں کرتا، اور فیصلہ کسی تنہا ماڈل پر نہیں چھوڑتا۔ بلکہ یہ سینسروں، ڈیٹا پر تربیت یافتہ ماڈلوں، ماہرین کے وضع کردہ اصولوں، متبادلات میں سے انتخاب کے اوزار، آلات، اور فیصلے کے ذمہ دار انسان کو یکجا کرتا ہے۔ یہ مربوط نظام درج ذیل تہوں پر مشتمل ہو سکتا ہے:

1. معلومات کا اجتماع:

سلسلے کا آغاز کسی سینسر سے ہوتا ہے جو مٹی کی نمی یا درجۂ حرارت ناپتا ہے، یا کسی فون یا ڈرون سے لی گئی تصویر سے، یا کسی ریکارڈ سے جس میں مزدور درج کرتا ہے کہ کھیت میں کیا ہوا۔ یہ تہہ کوئی فیصلہ فراہم نہیں کرتی؛ بلکہ یہ حقیقت کا ایک جزوی بیان منتقل کرتی ہے، جو درست بھی ہو سکتا ہے اور نامکمل بھی، یا کسی آلے کی خرابی یا پیمائش کے طریقے سے متاثر بھی۔

2. ڈیٹا کے معیار کی جانچ:

نظام کسی ریڈنگ کو استعمال کرنے سے پہلے جانچتا ہے کہ آیا وہ معقول ہے۔ اگر نمی کا کوئی سینسر ایسا اچانک اچھال رپورٹ کرے جو بارش یا آبپاشی سے میل نہیں کھاتا، یا کوئی آلہ ترسیل بند کر دے، یا بعض ریڈنگز کسی مختلف اکائی میں آئیں، تو ان اقدار کو باقی نظام تک اس طرح نہیں پہنچنا چاہیے گویا وہ قابل اعتماد حقائق ہوں۔ نظام انہیں خارج کر سکتا ہے، ان پر اپنا اعتماد کم کر سکتا ہے، یا آلے کے معائنے کی درخواست کر سکتا ہے۔

3. تخمینہ یا پیشگوئی مرتب کرنا:

کوئی تجزیاتی ماڈل دستیاب ڈیٹا کو استعمال کرتے ہوئے ایسی حالت کا تخمینہ لگاتا ہے جسے براہِ راست ناپا نہیں جا سکتا، یا یہ پیشگوئی کرتا ہے کہ بعد میں کیا ہو سکتا ہے۔ وہ کسی تصویر سے پودے کے بیمار ہونے کے احتمال کا تخمینہ لگا سکتا ہے، آنے والے گھنٹوں میں مٹی کی نمی میں تبدیلیوں کی پیشگوئی کر سکتا ہے، یا اگلے دن پانی کی طلب کے حجم کا تخمینہ لگا سکتا ہے۔ یہ ماحصل ایک تخمینہ ہی رہتا ہے، جو ڈیٹا کے معیار اور ماڈل کے سیکھے ہوئے کی حدود کے تابع ہے۔

4. زرعی اور ضابطہ جاتی اصولوں کا اطلاق:

ہر پیشگوئی شدہ نتیجہ کسی خودکار سفارش میں نہیں بدلا جاتا۔ کوئی ایسا اصول ہو سکتا ہے جو ہوا کی رفتار کسی خاص حد سے بڑھنے پر آبپاشی روک دے، یا فصل یا خطے کے لیے غیر رجسٹرڈ مادے کی تجویز روک دے، یا تشخیص غیر قطعی ہونے پر معاملہ کسی ماہر کی طرف بھیجنے کا تقاضا کرے۔ ضروری نہیں کہ یہ اصول ڈیٹا سے سیکھے گئے ہوں؛ انہیں فصل، مزدور، اور ماحول کے تحفظ کے لیے اور سرکاری ہدایات کی تعمیل کے لیے وضع کیا جاتا ہے۔

5. دستیاب متبادلات کو تولنا:

اگر متعدد ممکنہ منصوبے دستیاب ہوں، تو نظام ایک حسابی آلہ استعمال کرتے ہوئے ان کا موازنہ کرتا ہے اور قیود کے اندر سب سے موزوں منصوبہ منتخب کرتا ہے۔ مثال کے طور پر وہ پانی کی ایک محدود مقدار کو متعدد سیکٹروں میں تقسیم کرنے کی کوشش کر سکتا ہے، جبکہ فصل کی ضروریات، پمپ کی استعداد، عملیاتی گھنٹوں، اور توانائی کی لاگت کو ملحوظ رکھے۔ یہاں "سب سے موزوں" کا مطلب یہ نہیں کہ کوئی مطلق مثالی حل موجود ہے؛ اس کا مطلب ہے کہ نظام میں داخل کیے گئے مقصد اور قیود کے پیشِ نظر بہترین حل۔

6. نتیجہ، اس کی بنیاد، اور اس کی حدود پیش کرنا:

انٹرفیس کو صارف پر واضح کرنا چاہیے کہ نظام کیا تجویز کر رہا ہے، اس نے کن ڈیٹا پر انحصار کیا، اسے کتنا اعتماد ہے، اور کون سی قیود یا غائب ریڈنگز نتیجے پر اثر ڈال سکتی ہیں۔ ایک ایسا خانہ جو کہے "دو گھنٹے آبپاشی چلائیں" اُس نمائش کے مقابلے میں کم مفید اور کم محفوظ ہے جو متعلقہ سیکٹر، سفارش کی وجہ، پیمائش کا وقت، سینسروں کی حالت، اور یہ کہ آیا منصوبے کو منظوری درکار ہے، سب متعین کرے۔

7. نظرثانی یا عمل درآمد:

کچھ نظاموں میں، کسان یا نگران سفارش پر عمل درآمد سے پہلے اس کا جائزہ لیتا ہے۔ دوسرے نظاموں میں، احکامات خودکار طور پر پمپوں یا والوز کو بھیجے جا سکتے ہیں، مگر پیشگی طے شدہ عملیاتی اور سلامتی کی حدود کے اندر۔ انسانوں کے پاس یہ اختیار برقرار رہنا چاہیے کہ وہ نظام کو روک دیں یا اس کا فیصلہ رد کر دیں جب انہیں کوئی ایسی چیز نظر آئے جسے ڈیٹا گرفت میں نہیں لے پاتا۔

آئیے آبپاشی کی مثال پر غور کریں۔ عمل کا آغاز مٹی کی نمی کی ریڈنگز، موسمیاتی ڈیٹا، اور فصل کے نشو و نما کے مرحلے سے ہو سکتا ہے۔ نظام سب سے پہلے ریڈنگز کی جانچ کرتا ہے تاکہ اطمینان ہو کہ سینسر کام کر رہے ہیں اور پیمائش کی اکائیاں درست ہیں۔ پھر وہ ایک ایسا ماڈل استعمال کرتا ہے جو وقت کے ساتھ نمی میں تبدیلیوں کا سراغ رکھتا ہے، تاکہ اگلے دن کے دوران ہر سیکٹر کی پانی کی ضرورت کی پیش گوئی کرے۔ لیکن تنہا یہ پیش گوئی آبپاشی کا منصوبہ طے نہیں کرتی۔ زرعی اصول ایسی پابندیاں شامل کر سکتے ہیں جو ناقص نکاسی والی مٹی میں مزید پانی دینے سے روکیں، یا ایسی فصل کو ترجیح دیں جو نشو و نما کے کسی حساس مرحلے سے گزر رہی ہو۔ اس کے بعد ایک منصوبہ بندی کا پروگرام ممکنہ متبادلات کا موازنہ کرتا ہے اور مختلف قطاعوں کے درمیان پمپ کی گنجائش اور عملیاتی وقت تقسیم کرتا ہے۔ عمل درآمد سے پہلے، سلامتی کی تہہ جانچتی ہے کہ سینسروں کے درمیان کوئی تضاد نہیں، اور یہ کہ نیٹ ورک کا دباؤ اور والو کی حالت اس منصوبے کی اجازت دیتے ہیں۔ پھر وہ نتیجہ آپریٹر کے سامنے منظوری کے لیے پیش کرتی ہے، یا اگر وہ اجازت شدہ حدود کے اندر ہو تو خودکار طور پر اس پر عمل کر دیتی ہے۔ اس مثال میں "مصنوعی ذہانت" نے تنہا فیصلہ نہیں کیا۔ ماڈل نے ایک پیش گوئی دی، اصولوں نے پابندیاں عائد کیں، منصوبہ بندی کے آلے نے متبادلات میں سے انتخاب کیا، سلامتی کی تہہ نے جائزہ لیا کہ عمل درآمد ممکن ہے یا نہیں، اور آپریٹر حتمی فیصلے کا ذمہ دار رہا۔ چنانچہ پورے نظام کو "مصنوعی ذہانت کا آبپاشی ماڈل" کہہ دینا اس کے طریقۂ کار کے بنیادی حصے چھپا دیتا ہے اور یہ طے کرنا مشکل بنا دیتا ہے کہ غلطی کہاں ہوئی اور اس کا ذمہ دار کون ہے۔ ممکن ہے کوئی ماڈل درست ہو، جبکہ نظام کسی دوسرے مرحلے پر ناکام ہو جائے۔ مثالوں میں درج ذیل شامل ہیں:

• کوئی سینسر ایسی اکائی میں ریڈنگ بھیجتا ہے جو نظام کی متوقع اکائی سے مختلف ہو۔
• پیش گوئی ایسے پرانے ڈیٹا پر انحصار کرتی ہے جو فیصلے کی کھڑکی گزر جانے کے بعد پہنچا۔
• مشرقی قطاعے سے متعلق نتیجہ مغربی قطاعے کے والو سے جوڑ دیا جاتا ہے۔
• منصوبہ بندی کا آلہ ایسا منصوبہ منتخب کرتا ہے جو حسابی اعتبار سے درست ہے مگر پمپ کی حقیقی گنجائش سے تجاوز کر جاتا ہے۔
• انٹرفیس ایک عدد ظاہر کرتا ہے مگر پیمائش کا وقت یا اس پر اعتماد کا درجہ نہیں بتاتا۔
• نظام درست حکم بھیجتا ہے، مگر والو اس پر عمل نہیں کرتا اور نہ ہی اپنی حالت کی تصدیق کرنے والا کوئی اشارہ واپس بھیجتا ہے۔
• فیصلے پر خودکار طور پر عمل ہو جاتا ہے، بغیر اس کے کہ آپریٹر کو اسے روکنے کا کوئی واضح ذریعہ دیا جائے۔

زرعی ڈیجیٹلائزیشن کا ایک جائزہ ایک باہم مربوط راستے کو بیان کرتا ہے جو حسّ کاری سے شروع ہوتا ہے، ڈیٹا، سیاق و سباق، اور فیصلہ سازی سے گزرتا ہے، اور حقیقی دنیا میں کسی عمل پر ختم ہوتا ہے [SRC035]۔ اس تصور کی اہمیت اس حقیقت میں ہے کہ ہر مرحلے کا معیار اس پر منحصر ہے جو پچھلے مرحلے سے اس تک پہنچتا ہے، اور یہ کہ ایک چھوٹی سی غلطی سلسلے میں آگے بڑھتے ہوئے بڑھ سکتی ہے۔ اگر نمی کی ریڈنگ غلط ہو، تو وہ غلط پیش گوئی پیدا کر سکتی ہے۔ اگر پیش گوئی درست ہو مگر بہت دیر سے بھیجی جائے، تو ممکن ہے عمل درآمد کے وقت تک منصوبہ غیر موزوں ہو چکا ہو۔ اگر منصوبہ درست ہو مگر غلط والو کی طرف بھیج دیا جائے، تو ایسے قطاعے کو نقصان پہنچ سکتا ہے جسے پانی کی ضرورت ہی نہ تھی، جبکہ وہ قطاعہ جسے واقعی ضرورت تھی بغیر آبپاشی کے رہ جائے۔ یہی وجہ ہے کہ نظام کے اجزا کے درمیان روابط کی جانچ خود الگورتھم کی درستی میں معمولی اضافہ حاصل کرنے سے زیادہ اہم ہو سکتی ہے۔ گہرائی میں جانے والے قاری کے لیے: ماڈل کا اُس نظام سے الگ کر کے جائزہ لینا کافی نہیں جس کے اندر وہ کام کرتا ہے۔ غلطی کا سراغ پہلی پیمائش سے لے کر کھیت پر حتمی اثر تک لگانا چاہیے: سینسر کی غلطی کتنی بڑی ہے؟ غائب اقدار کے ساتھ کیا سلوک کیا گیا؟ کیا پیش گوئی وقت پر پہنچی؟ اسے فیصلے کے اصول میں کیسے بدلا گیا؟ کیا منصوبہ بندی کے آلے نے حقیقی پابندیوں کو ملحوظ رکھا؟ کیا حکم پر مطلوبہ آلے ہی پر عمل ہوا؟ اور اس سے کیا زرعی اثر پیدا ہوا؟ ممکن ہے کوئی ماڈل حسابی جانچوں میں بہتر دکھائی دے، جبکہ ایک سادہ تر ماڈل استعمال کرنے والا نظام اپنے ڈیٹا کے معیار، اپنے اصولوں کی وضاحت، اور اپنی سلامتی کی تہوں کی مضبوطی کی وجہ سے زیادہ قابل اعتماد ہو۔ نظام کی ہر تہہ کو محض اس لیے "ذہین" نہیں بن جانا چاہیے کہ یہ تکنیکی طور پر ممکن ہے۔ بعض جگہوں پر ایک طے شدہ اصول کسی سیکھے ہوئے ماڈل سے زیادہ واضح، جانچنے میں آسان، اور زیادہ محفوظ ہوتا ہے۔ کسی مشین کو حفاظتی آڑ کھلی ہونے کی صورت میں چلنے سے روکنے کے لیے ایسے ماڈل کی ضرورت نہیں جو یہ پیش گوئی کرے کہ چلانا خطرناک ہے یا نہیں؛ اس کے لیے ایک صریح اصول درکار ہے جسے نظرانداز نہ کیا جا سکے۔ اس کے برعکس، تعلم کسی پیچیدہ تصویر کے تجزیے یا ایسی تبدیلی کا اندازہ لگانے میں مفید ہو سکتا ہے جسے سادہ اصولوں کے مجموعے سے بیان کرنا مشکل ہو۔ پختہ انجینئرنگ کا آغاز اس سوال سے نہیں ہوتا کہ "ہم مصنوعی ذہانت کہاں شامل کر سکتے ہیں؟" بلکہ وہ زیادہ درست سوالات سے شروع ہوتی ہے:

• مسئلے کے کس حصے کو ڈیٹا سے سیکھنے کی ضرورت ہے؟
• کس حصے کے لیے صریح زرعی یا ضابطہ جاتی اصول درکار ہے؟
• کون سے فیصلے خودکار طور پر انجام دیے جا سکتے ہیں، اور کن کے لیے انسانی منظوری درکار ہے؟
• اجزا کے درمیان روابط کہاں ناکام ہو سکتے ہیں؟
• صارف کو کیسے معلوم ہو کہ ڈیٹا نامکمل ہے یا عمل درآمد منصوبے کے مطابق نہیں ہوا؟
• غیر متوقع صورت حال پیدا ہونے پر نظام کو روکنے اور اسے نظرانداز کرنے کا اختیار کس کے پاس ہے؟

حاکم اصول: کسی زرعی نظام کا معیار اس کے اندر موجود سب سے ذہین ماڈل سے نہیں ناپا جاتا، بلکہ پورے سلسلے کی سلامتی سے ناپا جاتا ہے، کھیت میں پہلی ریڈنگ سے لے کر وہاں انجام پانے والے آخری عمل تک۔

11۔ کام، طریقے، اور تصدیق کو جوڑنے کی ایک ابتدائی رہنمائی

موزوں طریقے کا آغاز الگورتھم کے نام سے نہیں ہوتا، بلکہ اُس سوال سے ہوتا ہے جس کا ہم جواب چاہتے ہیں اور اُس عمل سے جو اس جواب پر مبنی ہو سکتا ہے۔ ایک ہی تصویر کسی پتے کی حالت کی درجہ بندی، کسی جڑی بوٹی کے محل وقوع کے تعین، یا نقصان کے رقبے کی پیمائش کے لیے مدخل بن سکتی ہے، مگر ان میں سے ہر کام مختلف حوالہ جاتی ڈیٹا کا تقاضا کرتا ہے، مختلف نتیجہ پیدا کرتا ہے، اور مختلف اشاریوں سے پرکھا جاتا ہے۔ درج ذیل رہنمائی الگورتھم منتخب کرنے کا کوئی خودکار نسخہ نہیں، اور نہ ہی اس کا مطلب یہ ہے کہ ہر زرعی مسئلہ کسی ایک ہی زمرے سے تعلق رکھتا ہے۔ یہ ایک ابتدائی نقشہ ہے جو قاری کو چھ چیزوں کو جوڑنے میں مدد دیتا ہے:

1. کام: ہم کس زرعی سوال کا جواب چاہتے ہیں؟
2. ڈیٹا: اس کا جواب دینے کے لیے کون سی معلومات درکار ہیں؟
3. طریقوں کا خاندان: کس قسم کا تجزیہ اس سوال سے نمٹ سکتا ہے؟
4. نتیجہ: نظام کو کون سا نتیجہ فراہم کرنا چاہیے؟
5. کارکردگی کا اشاریہ: ہمیں کیسے معلوم ہو کہ نتیجہ مفید ہے، نہ کہ محض دیکھنے میں اچھا لگتا ہے؟
6. سلامتی اور تصدیق کا سوال: نتیجے کو فیصلے یا عمل میں بدلنے سے پہلے کس چیز کی جانچ ضروری ہے؟

ان سوالات کا جواب اُس وقت تک مکمل نہیں ہوتا جب تک فصل، ماحول، فیصلے کا وقت، غلطی کی لاگت، اور صارف کی جواب دینے کی استعداد متعین نہ کر لی جائے۔ 1\. کسی تصویر سے پتے کی حالت کی درجہ بندی کام: یہ طے کرنا کہ پتے کی تصویر سے کون سا زمرہ سب سے زیادہ مطابقت رکھتا ہے، مثلاً صحت مند، کسی خاص کیفیت سے متاثر، یا غیر متعین۔ درکار ڈیٹا: صحت مند بافت اور بیمار کیفیات کی متنوع تصاویر، جن میں سے ہر ایک کسی ماہر کی تصدیق شدہ حوالہ جاتی زمرے یا کسی قابل اعتماد جانچ سے منسلک ہو۔ محض تصاویر کا کثیر ہونا کافی نہیں؛ انہیں اقسام، نشو و نما کے مراحل، روشنی، عکس بندی کے آلات، اور علامات کی شدت میں تنوع کی نمائندگی بھی کرنی چاہیے۔ طریقوں کا خاندان: تصویری درجہ بندی کے ماڈل۔ مطلوبہ نتیجہ: سب سے زیادہ ممکنہ کیفیت کا نام اور اعتماد کا درجہ، اس اختیار کے ساتھ کہ شواہد ناکافی ہونے پر نظام "غیر متعین" کہہ سکے یا اضافی تصویر طلب کر سکے۔ ہم کیا ناپتے ہیں؟ مجموعی کامیابی کی شرح کافی نہیں۔ ہمیں نظام کی ہر اہم کیفیت کو پہچاننے کی صلاحیت، اس سے چھوٹ جانے والے معاملات کی تعداد، جھوٹے انتباہات کی تعداد، اور وہ معاملات ناپنے چاہئیں جنہیں وہ آپس میں خلط ملط کرتا ہے۔ سلامتی اور تصدیق کا سوال: اگر نظام کو کوئی ایسی بیماری پیش آ جائے جو اس نے سیکھی نہیں، یا ایک سے زائد اسباب سے پیدا ہونے والی علامات، یا ناقص معیار کی تصویر، تو وہ کیا کرتا ہے؟ کیا وہ غیر واضح معاملات کسی ماہر کی طرف بھیجتا ہے، یا انہیں معلوم زمروں میں سے کسی ایک میں زبردستی ٹھونس دیتا ہے؟ 2\. کسی جڑی بوٹی سے نمٹنے کی تیاری میں اس کے محل وقوع کا تعین کام: تصویر میں جڑی بوٹی کا سراغ لگانا اور اس کے محل وقوع کو اتنی درستی سے متعین کرنا کہ کسی مزدور یا مشین کو اس تک ہدایت دی جا سکے۔ درکار ڈیٹا: ایسی تصاویر یا ویڈیو کلپس جو جڑی بوٹیوں اور فصل کے مقامات دکھائیں، ان کے مقامات کی حوالہ جاتی تشریحات کے ساتھ۔ اگر نظام کو کسی مشین کی رہنمائی کرنی ہے، تو اسے ایسی کیلیبریشن معلومات بھی درکار ہیں جو تصویر میں شے کے مقام کو آلے کے سامنے اس کے حقیقی مقام سے جوڑیں۔ طریقوں کا خاندان: کام کا آغاز شے کی شناخت یا تصویر کے اندر شے کی حدود کھینچنے سے ہوتا ہے؛ پھر نتیجہ کسی کنٹرول نظام کو منتقل ہوتا ہے جو آلے کی حرکت متعین کرتا ہے۔ مطلوبہ نتیجہ: جڑی بوٹی کا مقام، اس کی حدود، اور اس کی شناخت کے لیے اعتماد کا درجہ، اس کے بعد ایسے احداثیے جنہیں مشین بروقت استعمال کر سکے۔ ہم کیا ناپتے ہیں؟ ہم یہ ناپتے ہیں کہ کون سی جڑی بوٹیوں کی شناخت ہوئی اور کون سی چھوٹ گئیں، ان کے محل وقوع کے تعین کی درستی، نتیجہ آنے کی رفتار، اور عمل درآمد کے دوران نقصان اٹھانے والے فصلی پودوں کی تعداد۔ سلامتی اور تصدیق کا سوال: کیا نظام کا اعتماد ختم ہو جانے، کسی شخص یا جانور کے کارگاہ میں داخل ہو جانے، یا جڑی بوٹی کو فصل سے ممیز کرنا ناممکن ہو جانے پر آلہ رک جاتا ہے؟ اور کیا صرف تصویری ماڈل کے بجائے پورے سلسلے کی جانچ ہوئی ہے، کیمرے سے لے کر آلے کی حرکت تک؟ 3\. پیداوار کی پیش گوئی کام: کسی متعین رقبے سے برداشت کی متوقع فصل کی مقدار کا تخمینہ لگانا۔ درکار ڈیٹا: پیداوار کی پچھلی پیمائشیں، اور موسم، مٹی، قسم، نشو و نما کے مرحلے، اور زرعی طریقوں سے متعلق ڈیٹا، جس میں ہر قدر کا ماخذ اور اس کی پیمائش کی اکائی صراحت سے بیان ہو۔ طریقوں کا خاندان: رجعتی ماڈل، یا ایسے ماڈل جو یہ مطالعہ کرتے ہیں کہ ڈیٹا وقت کے ساتھ کیسے بدلتا ہے؛ اگر کھیت کے اندر یا خطوں کے درمیان حالات مختلف ہوں تو مکانی ماڈل بھی شامل کیے جا سکتے ہیں۔ مطلوبہ نتیجہ: پیداوار کا تخمینہ کسی قابل فہم اکائی میں، مثلاً کلوگرام فی ہیکٹر، اس کے ساتھ ایسا دائرہ جو غیر یقینی صورت حال کا درجہ ظاہر کرے، بجائے کسی ایسے واحد عدد کے جو جھوٹی درستی کا تاثر دے۔ ہم کیا ناپتے ہیں؟ غلطی کو پیداوار ہی کی اکائی میں ناپا جاتا ہے، ساتھ ہی یہ بھی جانچا جاتا ہے کہ آیا بیان کردہ اعتماد کے دائرے حقیقی نتائج سے مطابقت رکھتے ہیں۔ اگر نظام کہتا ہے کہ پیداوار غالباً ایک خاص دائرے میں رہے گی، تو ہمیں جانچنا چاہیے کہ عملاً ایسا کتنی بار ہوتا ہے۔ سلامتی اور تصدیق کا سوال: کیا ماڈل کو ایسے فارموں، موسموں، یا خطوں پر جانچا گیا جو اس کی تربیت کا حصہ نہیں تھے؟ اور کیا صارف سمجھتا ہے کہ پیش گوئی ماضی کے ان حالات پر مبنی ہے جو شاید کسی غیر معمولی موسم یا نئی قسم کی نمائندگی نہ کرتے ہوں؟ 4\. آبپاشی کا شیڈول تیار کرنا کام: یہ طے کرنا کہ قطاعوں کو کب آبپاشی کرنی چاہیے اور ہر قطاعے کو کتنا پانی ملنا چاہیے، فصل کی ضروریات اور آبپاشی کے نیٹ ورک کی گنجائش کو ملحوظ رکھتے ہوئے۔ درکار ڈیٹا: مٹی کی نمی، موسم، فصل کے نشو و نما کا مرحلہ، مٹی کی خصوصیات، پانی کے ذرائع، پمپ کی گنجائش، والو کی حالت، اور وقت و عملیات سے متعلق پابندیاں۔ طریقوں کا خاندان: نظام ایک ایسے ماڈل کو جو پانی کی ضروریات کی پیش گوئی کرے، ایسے زرعی اصولوں کو جو غیر محفوظ فیصلوں سے روکیں، اور ایسے منصوبہ بندی کے پروگرام کو جو متبادلات کا موازنہ کرے اور دستیاب وسائل تقسیم کرے، یکجا کر سکتا ہے۔ مطلوبہ نتیجہ: ایک قابل عمل شیڈول جس میں قطاعہ، وقت، مقدار، اور عملیاتی دورانیہ متعین ہو، اس کے ساتھ ایک متبادل منصوبہ اگر پانی کم ہو جائے یا کوئی آلہ ناکام ہو جائے۔ ہم کیا ناپتے ہیں؟ کامیابی صرف پانی کے استعمال میں کمی سے نہیں ناپی جاتی، بلکہ پودے کی حالت، پیداوار، توانائی کے استعمال، تقسیم کی یکسانیت، پانی کی فراہمی کے وقت، اور اس سے بھی کہ آیا منصوبے پر دستیاب آلات کے ساتھ عمل ہو سکتا ہے۔ سلامتی اور تصدیق کا سوال: جب ڈیٹا منقطع ہو جائے یا سینسروں میں سے کوئی ناکام ہو جائے تو کیا ہوتا ہے؟ کیا نظام دستی حالت یا کسی محفوظ ہنگامی منصوبے کی طرف منتقل ہو جاتا ہے، یا نامکمل معلومات کی بنیاد پر احکام جاری کرتا رہتا ہے؟ 5\. کسی جانور کی حالت سے متعلق انتباہ جاری کرنا کام: ایسی تبدیلی کا سراغ لگانا جو بیماری، زخم، یا حرکت اور خوراک میں کسی خلل کی نشاندہی کر سکتی ہو۔ درکار ڈیٹا: ڈیٹا آوازیں، تصاویر، ویڈیو کلپس، یا سرگرمی، درجۂ حرارت، اور خوراک کی مقدار کی ریڈنگز ہو سکتا ہے۔ اسے حتی الامکان ایسے معاملات سے منسلک ہونا چاہیے جن کا جائزہ کسی ماہرِ حیوانات یا دیگر ماہر نے لیا ہو۔ طریقوں کا خاندان: غیر معمولی معاملات کا سراغ لگانا جب ہمارے پاس ہر بیماری کی مکمل تعریف موجود نہ ہو، یا درجہ بندی جب ہمارے پاس ایسے دستاویزی معاملات ہوں جن سے نظام سیکھ سکے۔ مطلوبہ نتیجہ: ایک ایسا انتباہ جو جانور، وقت، اور تشویش کی وجہ کی نشاندہی کرے، اور انتباہات کو ترجیح کے اعتبار سے درجہ بند کرے۔ ہم کیا ناپتے ہیں؟ ان اہم معاملات کی تعداد جن کا سراغ لگانے میں نظام ناکام رہا، فی جانور یا فی دن جھوٹے انتباہات کی تعداد، اور تبدیلی کے آغاز اور انتباہ جاری ہونے کے درمیان وقفہ۔ سلامتی اور تصدیق کا سوال: علاج سے پہلے کون پیشہ ورانہ طور پر حالت کی تصدیق کرتا ہے؟ اور ٹیم عملاً کتنے انتباہات کی جانچ کر سکتی ہے؟ ایسا نظام جو سینکڑوں غیر درجہ بند انتباہات بھیجے، خطرناک معاملے کو شور میں چھپا سکتا ہے۔ 6\. علامات کے رقبے کا تخمینہ اور ان کے پھیلاؤ کا سراغ کام: پودے یا کھیت میں متاثرہ رقبے کی پیمائش کرنا، پھر یہ طے کرنا کہ علامات وقت کے ساتھ پھیل رہی ہیں یا سمٹ رہی ہیں۔ درکار ڈیٹا: مختلف اوقات میں لی گئی متواتر تصاویر یا نقشے، ساتھ ہی عکس بندی کے مقام، بلندی، زاویے، اور روشنی کے حالات سے متعلق معلومات، تاکہ منصفانہ موازنہ ہو سکے۔ طریقوں کا خاندان: تصویر کے اندر متاثرہ بافتوں یا رقبوں کی حدود کھینچنا، پھر یہ تجزیہ کرنا کہ وہ وقت کے مختلف نقاط پر کیسے بدلتے ہیں۔ مطلوبہ نتیجہ: تخمینی رقبہ یا نقصان کا تناسب، تبدیلی کی سمت اور رفتار، ساتھ ہی موازنے پر اعتماد کے درجے کی نشاندہی۔ ہم کیا ناپتے ہیں؟ رقبے کے تخمینے میں غلطی، عکس بندی دہرانے پر نتیجے کا استحکام، اور نظام کی یہ صلاحیت کہ وہ ایک ہی رقبے کا ایک وقت سے دوسرے وقت تک سراغ رکھ سکے۔ سلامتی اور تصدیق کا سوال: کیا نقصان واقعی بڑھا، یا روشنی، عکس بندی کا زاویہ، یا کیمرے کی بلندی بدل گئی جس سے رقبہ بڑا یا چھوٹا دکھائی دیا؟ اور کیا تصاویر کا موازنہ کسی واحد حوالہ جاتی معیار کی بنیاد پر کیا جا رہا ہے؟ 7\. مشاورتی جواب فراہم کرنا کام: کسی زرعی سوال کا واضح زبان میں جواب دینا، صارف کے سیاق و سباق کے لیے موزوں مستند ماخذوں سے استفادہ کرتے ہوئے۔ درکار ڈیٹا: صارف کا سوال، فصل، مقام، نشو و نما کے مرحلے، اور حالت سے متعلق معلومات، ساتھ ہی ایسے قابل اعتماد اور تازہ ترین ماخذ جن سے نظام رجوع کر سکے۔ طریقوں کا خاندان: مستند ماخذوں کی تلاش اور متعلقہ اقتباسات کی بازیافت، پھر جواب مرتب کرنے کے لیے کسی لسانی ماڈل کا استعمال، ایسے اصولوں کے ساتھ جو ایسے دعووں یا سفارشات سے روکیں جن کی شواہد تائید نہ کرتے ہوں۔ مطلوبہ نتیجہ: ایسا جواب جو عمومی معلومات اور مشروط سفارش میں فرق کرے، اپنے ماخذوں کا حوالہ دے، اور شواہد ناکافی ہونے پر اضافی معلومات طلب کرے یا جواب دینے سے انکار کر دے۔ ہم کیا ناپتے ہیں؟ کیا ماخذ جواب میں کیے گئے دعووں کی تائید کرتے ہیں؟ کیا حوالے درست اور قابل تصدیق ہیں؟ کیا جواب فصل، مقام، اور وقت کے لیے موزوں ہے، اور کیا صارف اگلا قدم سمجھ سکتا ہے بغیر اس کے کہ اسے کسی غیر محفوظ عمل کی طرف دھکیلا جائے؟ سلامتی اور تصدیق کا سوال: کیا نظام کسی غیر دستاویزی خوراک، مادے، سرکاری رجسٹریشن، یا قیمت گھڑنے سے باز رہتا ہے؟ کیا وہ واضح کرتا ہے کہ کسی مصنوع کی منظوری یا استعمال کی شرائط کی تصدیق مصنوع کے موجودہ منظور شدہ لیبل اور مقامی ضوابط کے مقابل کرنا ضروری ہے؟ 8\. کسی محدود وسیلے کی تقسیم کام: پانی، کھاد، مزدوری، یا مشین کے وقت کی محدود مقدار کو متعدد کھیتوں یا قطاعوں میں تقسیم کرنا۔ درکار ڈیٹا: طلب کا پیمانہ، دستیاب وسائل، ترجیحات، تکنیکی اور وقت کی پابندیاں، اور پیداوار، لاگت، یا منافع سے متعلق پیش گوئیاں۔ طریقوں کا خاندان: ریاضیاتی منصوبہ بندی اور متبادلات کے درمیان تبادلے، جنہیں تخصصی شعبوں میں بہینہ سازی اور عملیاتی تحقیق کہا جاتا ہے۔ یہ طریقے ایسا منصوبہ تلاش کرتے ہیں جو متعین پابندیوں کی خلاف ورزی کیے بغیر مقصد کو حتی الامکان حاصل کرے۔ مطلوبہ نتیجہ: ایک قابل عمل منصوبہ، ساتھ ہی اس کا بیان کہ ہر فریق کو کیا ملتا ہے اور ترجیحات بدلنے یا وسیلہ مزید کم ہو جانے پر کیا بدلتا ہے۔ ہم کیا ناپتے ہیں؟ کیا منصوبے نے تمام پابندیوں کا احترام کیا؟ کیا اس پر عملاً عمل درآمد ہو سکتا ہے؟ اور لاگت، پیداوار، وقت، اور قطاعوں یا مستفیدین کے درمیان انصاف پر اس کا کیا اثر ہے؟ سلامتی اور تصدیق کا سوال: وہ مقصد کس نے متعین کیا جسے آلہ زیادہ سے زیادہ کرنے کی کوشش کر رہا ہے؟ اور ترجیحات اور ہر قطاعے کے لیے کم سے کم قابل قبول سطح کس نے طے کی؟ ممکن ہے کوئی منصوبہ ریاضیاتی طور پر درست ہو مگر پھر بھی غیر منصفانہ یا زرعی اعتبار سے ناقابل قبول ہو، اگر مقصد کو ایک ہی عدد تک سمیٹ دیا جائے۔ 9\. اعمال کے کسی سلسلے کو کنٹرول کرنا کام: اعمال کا ایسا سلسلہ منتخب کرنا جس کے بعد نظام کی حالت بدل جائے، مثلاً کسی محفوظ ڈھانچے میں ہوا کی آمد و رفت اور حرارت کو ایڈجسٹ کرنا، یا کسی متحرک مشین کی فصل کی قطاروں کے درمیان رہنمائی کرنا۔ درکار ڈیٹا: موجودہ حالت کا بیان، ممکنہ اعمال کا مجموعہ، اور اس بارے میں ڈیٹا کہ ہر عمل کے بعد کیا ہوا، ساتھ ہی عملیاتی اور سلامتی کی حدود۔ طریقوں کا خاندان: نظام اصولوں اور معلوم مساواتوں پر مبنی روایتی کنٹرول استعمال کر سکتا ہے، یا تقویتی تعلم جو مشابہت سازی یا تجربے سے عمل کے انتخاب کی حکمت عملی سیکھتا ہے، یا دونوں کا امتزاج۔ مطلوبہ نتیجہ: ایسی حکمت عملی جو ہر حالت کے لیے موزوں عمل متعین کرے، اس کے بعد آلات کے لیے واضح عملیاتی احکام۔ تکنیکی اصطلاح میں اس حکمت عملی کو "عمل کے انتخاب کی پالیسی" کہا جاتا ہے۔ ہم کیا ناپتے ہیں؟ نظام کا استحکام، اس کے ردعمل کی رفتار، پابندیوں سے تجاوز کے واقعات کی تعداد، وسائل کا استعمال، پودے، جانور، یا آلات پر اعمال کے اثرات، اور اس کی غیر متوقع حالات سے نمٹنے کی صلاحیت۔ سلامتی اور تصدیق کا سوال: نظام کو کن حدود سے تجاوز کی اجازت نہیں، خواہ مقصد کچھ بھی ہو؟ اسے روکنے کا اختیار کس کے پاس ہے؟ اور اگر رابطہ منقطع ہو جائے، ڈیٹا ناکام ہو جائے، یا صورت حال جانچے گئے دائرے سے باہر نکل جائے، تو آلات کس محفوظ حالت کی طرف منتقل ہوتے ہیں؟ یہ نقشہ ظاہر کرتا ہے کہ ایک ہی زرعی کام کو ایک سے زائد طریقوں کی ضرورت پڑ سکتی ہے، اور یہ کہ ہر مرحلے کی کامیابی پورے سلسلے کی کامیابی کی ضمانت نہیں دیتی۔ جڑی بوٹی کے محل وقوع کی نشاندہی کافی نہیں اگر مشین محفوظ طریقے سے اس تک پہنچ نہ سکے؛ پانی کی طلب کی پیش گوئی کافی نہیں اگر آبپاشی کا منصوبہ پمپ کی گنجائش سے تجاوز کر جائے؛ اور کسی درست ماخذ کی بازیافت کافی نہیں اگر وہ کسی مختلف فصل، ملک، یا تاریخ سے متعلق ہو۔ یہ بھی ظاہر کرتا ہے کہ تکنیکی اشاریہ اور سلامتی کا سوال الگ الگ معاملات نہیں۔ اشاریہ بتاتا ہے کہ نظام جانچ میں کتنا اچھا کام کرتا ہے، جبکہ سلامتی کا سوال بتاتا ہے کہ نظام کھیت میں غلطی کرے تو کیا ہو سکتا ہے۔ ممکن ہے کوئی الگورتھم اوسطاً بلند نتیجہ حاصل کرے، جبکہ اس کی شاذ و نادر غلطی سب سے زیادہ خطرے والے معاملے میں واقع ہو۔ گہرائی کے متلاشی قاری کے لیے: طریقے کا انتخاب فیصلے کی تشکیل اور غلطی کے مختلف نمونوں کی لاگت سے شروع ہوتا ہے، نہ کہ ماڈلوں کے ناموں کے موازنے سے۔ اگر مطلوبہ نتیجہ بدل جائے تو موزوں طریقہ بھی بدل سکتا ہے، خواہ ڈیٹا وہی رہے۔ نظام کا جائزہ بھی تین سطحوں پر لینا چاہیے: تخمینے کا معیار، اس تخمینے کو فیصلے میں بدلنے کا معیار، اور فیصلے کو حقیقت میں نافذ کرنے کا معیار۔ پہلی سطح پر بہتری باقی دو سطحوں کی ناکامی کی تلافی نہیں کرتی۔ اور کسی بھی نئی ایپلی کیشن کا جائزہ لیتے وقت، اس میٹرکس کو درج ذیل سوالات میں سمویا جا سکتا ہے:

• نظام کس مخصوص زرعی سوال کا جواب دینے کی کوشش کر رہا ہے؟
• اسے کس ڈیٹا کی ضرورت ہے، اور اس کی درستی کی تصدیق کس نے کی؟
• وہ کیا نتیجہ پیدا کرے گا، اور کس اکائی میں یا کس درجۂ اعتماد کے ساتھ؟
• اس نتیجے پر کون سا فیصلہ یا عمل مبنی ہوگا؟
• کس قسم کی غلطی زیادہ خطرناک ہے: وہ معاملہ جو نظام سے چھوٹ جائے، یا جھوٹا انتباہ؟
• کیا نظام کو ایسے آزاد ماحول میں جانچا گیا ہے جو اس کے حقیقی استعمال کے ماحول سے مشابہ ہو؟
• جب ڈیٹا نامکمل ہو یا معاملہ غیر مانوس ہو تو کیا ہوتا ہے؟
• نتیجے پر نظرثانی کون کرتا ہے، اور اسے روکنے یا رد کرنے کا اختیار کس کے پاس ہے؟

بنیادی اصول یہ ہے: کوئی طریقہ اس لیے منتخب نہیں کیا جاتا کہ وہ سب سے نیا یا سب سے مشہور ہے، بلکہ اس لیے کہ وہ ایسا نتیجہ پیدا کرتا ہے جو فیصلے کو درکار ہے، جس کی مناسب پیمانے سے توثیق کی جا سکتی ہے، اور جو ڈیٹا کے نامکمل ہونے یا نتیجہ غلط ہونے کی صورت میں بھی محفوظ رہتا ہے۔

12۔ ہم ماڈلوں اور نظاموں کا موازنہ کیسے کریں؟ جانچ کی درستی سے کھیت میں قدر تک

جب کوئی ڈویلپر یا کمپنی کوئی نیا نظام پیش کرتی ہے، تو پہلا سوال اکثر یہی ہوتا ہے: یہ کتنا درست ہے؟ یہ ایک جائز سوال ہے، لیکن اس کی افادیت جانچنے کے لیے کافی نہیں۔ دو نظام لیبارٹری کی جانچ میں ایک جیسا اسکور حاصل کر سکتے ہیں، پھر بھی ان کی غلطیوں کی نوعیت، ان کی جواب دینے کی رفتار، ان کی عملیاتی لاگت، کھیت میں کام کرنے کی ان کی صلاحیت، اور ان کے غلط ہونے پر ممکنہ نقصان کی وسعت میں بڑا فرق ہو سکتا ہے۔ تصور کیجیے کہ دو ماڈل ہیں، جن میں سے ہر ایک پتوں کی تصاویر کی درجہ بندی میں 92% کا مجموعی اسکور حاصل کرتا ہے۔ پہلا شاید صحت مند معاملات کی شناخت میں اچھا ہو، مگر کسی خطرناک بیماری کے ابتدائی مراحل سے چوک جائے۔ دوسرا شاید بیمار معاملات کی اکثریت پکڑ لے، مگر اتنے جھوٹے انتباہ پیدا کرے کہ صارف کا اعتماد ہی اٹھ جائے۔ مجموعی اسکور ایک جیسا دکھائی دیتا ہے، مگر فارم پر ان دونوں ماڈلوں کی قدر ایک جیسی نہیں۔ ممکن ہے ماڈل بذاتِ خود اچھا ہو، جبکہ وہ نظام جس میں وہ شامل ہے کمزور رہے۔ ممکن ہے ماڈل تصویر کا تجزیہ درست کرے، مگر ایپلی کیشن اسے اتنا دبا دے کہ تفصیل ضائع ہو جائے، یا نتیجہ بھیجنے میں تاخیر کرے، یا اسے اعتماد کی سطح بتائے بغیر دکھائے، یا اسے ایسی سفارش سے جوڑ دے جو اس علاقے کے لیے موزوں نہیں۔ اس لیے ہمیں تین چیزوں میں فرق کرنا ہوگا:

• ماڈل کی کارکردگی: وہ اندازہ یا درجہ بندی جو وہ پیدا کرتا ہے، کتنا اچھا ہے۔
• نظام کی کارکردگی: ڈیٹا جمع کرنے سے لے کر نتیجہ دکھانے یا عمل انجام دینے تک، پورا سلسلہ کتنا اچھا کام کرتا ہے۔
• زرعی اثر: آیا نظام کے استعمال نے فارم پر فیصلے اور نتیجے کو واقعی بہتر بنایا۔

کوئی موازنہ اسی وقت منصفانہ اور مفید ہوتا ہے جب وہ درج ذیل سطحوں کو زیرِ بحث لائے۔ الف۔ اس سے شروع کریں جو ہم اب کر رہے ہیں: موازنے کا خط اساس خط اساس وہ طریقہ ہے جسے ہم نیا نظام متعارف کرانے سے پہلے ایک حوالہ نقطے کے طور پر استعمال کرتے ہیں۔ سادہ تر الفاظ میں، ہم صرف یہ نہیں پوچھتے کہ "کیا ماڈل کام کرتا ہے؟"، بلکہ یہ بھی: کیا وہ اُس سے بہتر کام کرتا ہے جو ہم آج کر رہے ہیں، اور کیا اتنا بہتر کہ تبدیلی کی لاگت کا جواز بن سکے؟ خط اساس یہ ہو سکتا ہے:

• کسی ماہر یا زرعی توسیعی افسر کا کیا ہوا معائنہ۔
• کوئی سادہ اصول جو کسی مقامی ماہر نے وضع کیا ہو۔
• پچھلے موسموں کی اوسط پیداوار۔
• یہ مفروضہ کہ کل کی ریڈنگ آج کی ریڈنگ کے قریب ہوگی۔
• آبپاشی کا کوئی مقررہ شیڈول جو مقامی حالات کے مطابق ترتیب دیا گیا ہو۔
• وہ پرانا ڈیجیٹل نظام جس کی جگہ نیا نظام لانا مقصود ہے۔

چنانچہ اگر مقصد پیداوار کی پیش گوئی ہے، تو ماڈل کا موازنہ پچھلے موسموں میں کھیت کی اوسط پیداوار سے کیا جا سکتا ہے۔ اگر مقصد تصویر سے کسی بیماری کی شناخت ہے، تو اس کا موازنہ موجودہ معائنے کی کارکردگی سے کیا جا سکتا ہے، مگر یہ واضح کرتے ہوئے کہ وہ معائنہ کوئی کسان کرتا ہے، کوئی تکنیکی کارکن، یا کوئی ماہر۔ اگر مقصد آبپاشی کا انتظام ہے، تو اس کا موازنہ اُس شیڈول سے کیا جا سکتا ہے جو اس وقت استعمال ہو رہا ہے، پانی، توانائی، پودے کی حالت، اور پیداوار کے لحاظ سے۔ کوئی کمزور حوالہ طریقہ جان بوجھ کر محض اس لیے منتخب نہیں کیا جانا چاہیے کہ نیا ماڈل برتر دکھائی دے۔ ممکن ہے کوئی پیچیدہ نظام کسی سادہ لوح اصول سے بہتر کارکردگی دکھائے، مگر کسان کے تجربے یا مقامی طور پر ترتیب دیے گئے کسی سادہ نظام سے آگے نہ نکل سکے۔ ایسی صورت میں تکنیکی فائدہ محدود ہے اور شاید آلات، رابطے، دیکھ بھال، اور تربیت کی لاگت کا جواز نہ بن سکے۔ نہ ہی موازنے کو اس سوال تک محدود رکھنا چاہیے کہ "کس نے زیادہ بڑا عدد حاصل کیا؟" اس میں یہ بھی شامل ہونا چاہیے:

• موجودہ طریقے کے مقابلے میں بہتری کی مقدار۔
• کھیتوں اور موسموں کے پار اس بہتری کا تسلسل۔
• غلطیوں کی وہ اقسام جو کم ہوئیں یا بڑھیں۔
• بہتری حاصل کرنے کی لاگت۔
• وہ حد جہاں تک صارف حقیقتاً اس سے فائدہ اٹھانے کے قابل ہے۔

خط اساس کا عملی مفہوم: پہلے ہم یہ متعین کرتے ہیں کہ نئے نظام کے بغیر ہمارے پاس کارکردگی کی کیا سطح ہے، پھر ہم جانچتے ہیں کہ آیا نظام اس سے آگے کوئی حقیقی قدر کا اضافہ کرتا ہے۔ ب۔ جانچ کو استعمال کے حقیقی حالات کے قریب رکھیں ماڈل مثالوں کے ایک مجموعے سے سیکھتا ہے جسے تربیتی ڈیٹا کہا جاتا ہے۔ سیکھنے کا عمل مکمل ہونے کے بعد، اسے ایسی آزاد مثالوں پر جانچنا ضروری ہے جو اس نے پہلے استعمال نہ کی ہوں۔ مقصد یہ معلوم کرنا نہیں کہ اسے پچھلی مثالیں کتنی اچھی طرح یاد ہیں، بلکہ یہ کہ آیا وہ ایسے نئے معاملات نمٹا سکتا ہے جو اُن سے مشابہ ہوں جن کا اسے فارم پر سامنا ہوگا۔ اگر نظام متعدد کھیتوں میں استعمال ہوگا، تو جانچ میں ایسے کھیت شامل ہونے چاہییں جو تربیت کا حصہ نہ تھے۔ اگر وہ مختلف موسموں میں کام کرے گا، تو اسے صرف ایک ہی موسم کی تصاویر پر جانچنا کافی نہیں۔ اگر صارفین مختلف معیار کے فونوں سے تصویریں لیتے ہیں، تو اس کا مکمل جائزہ ایسی تصاویر پر لینا درست نہیں جو مثالی حالات میں ایک ہی کیمرے سے لی گئی ہوں۔ ڈیٹا کی بے ترتیب تقسیم گمراہ کن تاثر دے سکتی ہے۔ اگر ایک ہی پودے کی دس ملتی جلتی تصاویر لی جائیں، پھر کچھ تربیت میں اور باقی جانچ میں ڈال دی جائیں، تو ممکن ہے ماڈل اُن زرعی علامات کے بجائے، جو ہم اسے سکھانا چاہتے ہیں، پودے، پس منظر، یا عکس بندی کے حالات کو پہچان لے۔ ایک زیادہ مضبوط جانچ، کام کی نوعیت کے مطابق، ان کے درمیان علیحدگی رکھتی ہے:

• مختلف پودے۔
• مختلف قطعات یا کھیت۔
• مختلف فارم یا علاقے۔
• مختلف موسم یا سال۔
• مختلف اقسام اور نشو و نما کے مراحل۔
• عکس بندی کے مختلف آلات یا سینسر کی اقسام۔
• مختلف زبانیں یا لہجے، اور مکالماتی نظاموں میں سوال کی مختلف صورتیں۔

اس کا مطلب یہ نہیں کہ ہر جانچ کو پوری دنیا کا احاطہ کرنا چاہیے، بلکہ یہ کہ اسے اُس ماحول کی دیانت دارانہ نمائندگی کرنی چاہیے جس میں نظام استعمال ہونا ہے۔ اگر نظام کو کسی محدود ماحول میں جانچا گیا، تو ان حدود کا اعلان ضروری ہے، نہ یہ کہ اس کا نتیجہ یوں پیش کیا جائے گویا وہ ہر فصل، فارم، اور موسم کے لیے کارآمد ہو۔ امیدوار ماڈلوں کو بھی ایک ہی جانچ کے تابع، ایک ہی حالات میں، اور ایک ہی ڈیٹا کے ساتھ رکھنا چاہیے۔ موازنہ منصفانہ نہیں اگر ایک کو صاف تصاویر پر جانچا جائے جبکہ دوسرے کو کھیت کی مشکل تصاویر پر، یا اگر ایک کی پیمائش تیز رفتار آلے پر اور دوسرے کی کم طاقت والے فون پر کی جائے۔ آزاد جانچ کا عملی مفہوم: ہم نظام کو ایسے نئے معاملات کے سامنے رکھتے ہیں جو اس کے استعمال کی حقیقت کی عکاسی کریں، پھر دیکھتے ہیں کہ لیبارٹری کی سہولتیں ہٹ جانے کے بعد آیا وہ اپنی کارکردگی برقرار رکھتا ہے۔ ج۔ پیمانے کو غلطی کے نتیجے سے جوڑیں تمام غلطیاں برابر نہیں ہوتیں۔ ممکن ہے کوئی نظام ایسی بیماری کے بارے میں انتباہ دے کر غلطی کرے جو موجود ہی نہیں، یا کسی متاثرہ پودے کو صحت مند سمجھ لے۔ دونوں غلطیاں ہیں، مگر ان کے نتائج مختلف ہو سکتے ہیں۔ جھوٹا انتباہ معائنے کا وقت ضائع کر سکتا ہے، اضافی تجزیے پر مجبور کر سکتا ہے، یا صارف کو جھنجھلا سکتا ہے۔ اس کے برعکس، کسی سنگین بیماری کا چوک جانا مداخلت کو اُس وقت تک مؤخر کر سکتا ہے جب نقصان پھیل چکا ہو۔ کسی اور اطلاق میں، مثلاً کوئی مشین چلانے میں، جھوٹا انتباہ اُس غلط حرکت سے کم خطرناک ہو سکتا ہے جو فصل یا مزدور کو نقصان پہنچائے۔ لہٰذا مجموعی اوسط کو غلطی کی زیادہ اہم قسم چھپانے نہیں دینا چاہیے۔ موازنے میں یہ پوچھا جانا چاہیے:

• نظام نے کتنے خطرناک معاملات چھوڑ دیے؟
• اس نے کتنے جھوٹے انتباہ جاری کیے؟
• کن اقسام یا نشو و نما کے کن مراحل میں غلطیاں زیادہ ہوتی ہیں؟
• کیا وہ نمایاں معاملات کی نسبت ابتدائی معاملات میں زیادہ غلطیاں کرتا ہے؟
• ہر قسم کی غلطی کی لاگت کیا ہے؟
• کیا ٹیم نتیجتاً پیدا ہونے والے انتباہات کی تعداد سنبھال سکتی ہے؟

اور اگر کام کسی عدد کی پیش گوئی ہے، تو غلطی کو ایسی اکائی میں بیان کرنا چاہیے جسے فیصلہ ساز سمجھ سکے۔ یہ کہنے کے بجائے کہ "اوسط غلطی 0.12 ہے" بغیر کسی وضاحت کے، یہ کہا جا سکتا ہے کہ پیداوار کی پیش گوئی اوسطاً فی ہیکٹر اتنے کلوگرام یا ٹن کا انحراف رکھتی ہے۔ جب ذخیرہ اندوزی یا نقل و حمل کی منصوبہ بندی بھی کرنی ہو، تو یہ واضح کیا جانا چاہیے کہ آیا معمول کی چھوٹی غلطیاں ایسی بڑی غلطیوں کی ایک قلیل تعداد چھپا رہی ہیں جو پورے منصوبے کو درہم برہم کر سکتی ہیں۔ نہ ہی یہ کافی ہے کہ دو ماڈلوں کا فرق کسی ایک عدد میں ظاہر ہو جائے۔ ممکن ہے برتری اتنی معمولی ہو کہ اگر ہم جانچ کسی دوسرے موسم میں یا کسی دوسرے نمونے پر دہرائیں تو وہ الٹ جائے۔ لہٰذا محض ایک بہترین نتیجے کے بجائے، جانچوں کے پار تغیر کی مقدار کو دیکھنا چاہیے۔ پیمانے کا عملی مفہوم: ہم پیمائش کا طریقہ اُس فیصلے کے مطابق منتخب کرتے ہیں جو نتیجے سے متاثر ہوگا، اور غلطی کو ایسے اثر میں ترجمہ کرتے ہیں جسے کسان، ماہر، یا عملیات کا منتظم سمجھ سکے۔ د۔ جانچیں کہ نظام غیر یقینی صورت حال کو کیسے ظاہر کرتا ہے، اور کب فیصلہ دینے سے باز رہتا ہے ماڈل ہر معاملے میں علم کا ایک ہی درجہ نہیں رکھتا۔ ممکن ہے تصویر صاف ہو اور اُس سے مشابہ ہو جس سے اس نے سیکھا، یا وہ تاریک، نامکمل، یا کسی ایسے معاملے کی ہو جو اس نے پہلے نہ دیکھا ہو۔ ممکن ہے سینسر کی ریڈنگز مکمل اور ہم آہنگ ہوں، یا کچھ غائب ہوں اور باقی باہم متضاد۔ اس تغیر کو غیر یقینی صورت حال کہا جاتا ہے: دستیاب شواہد تمام نتائج کی ایک ہی درجے میں تائید نہیں کرتے۔ نظام اسے کئی طریقوں سے ظاہر کر سکتا ہے، جن میں شامل ہیں:

• قطعی فیصلہ دینے کے بجائے اعتماد کا اسکور دکھانا۔
• کئی درجہ بند امکانات پیش کرنا۔
• واحد عدد کے بجائے متوقع دائرہ دکھانا۔
• غائب یا متضاد ڈیٹا کی نشاندہی کرنا۔
• کوئی اضافی تصویر، ریڈنگ، یا معلومات کا مطالبہ کرنا۔
• شواہد ناکافی ہونے پر معاملہ کسی ماہر کی طرف بھیجنا۔

پیداوار کی پیش گوئی میں، یہ کہنا کہ متوقع پیداوار فی ہیکٹر 4.2 اور 5.1 ٹن کے درمیان ہے، 4.7 ٹن کا واحد عدد دینے سے زیادہ دیانت دارانہ اور مفید ہو سکتا ہے، خصوصاً اگر مستقبل کے موسمیاتی ڈیٹا غیر مستحکم ہوں۔ پتے کی تصویر کی تشخیص میں، شاید زیادہ مناسب یہ ہو کہ نظام کہے کہ تصویر دو اسباب میں فرق کرنے کے لیے ناکافی ہے، اور پھر پتے کے نچلے رخ کی تصویر طلب کرے۔ لیکن ماڈل جو اعتماد کا اسکور دکھاتا ہے، وہ کوئی یقینی سچائی نہیں۔ ممکن ہے وہ کہے کہ اسے 80% اعتماد ہے جبکہ اس کے حقیقی نتائج اس سے کہیں بدتر ہوں۔ اسی لیے اعتماد کی معیار بندی کا جائزہ لیا جاتا ہے: یہ جانچنا کہ آیا اعتماد کے اعداد حقیقت سے ہم آہنگ ہیں۔ اگر ہم ایسے معاملات کی بڑی تعداد جمع کریں جنہیں نظام نے تقریباً 80% اعتماد دیا، تو اس کے نتائج اسی کے قریب شرح سے درست ہونے چاہییں، نہ کہ صرف نصف میں درست ہوں۔ نظام نے جو کچھ سیکھا ہے اس کے دائرے سے باہر کا معاملہ وہ ہوتا ہے جو اس کی تربیتی مثالوں سے واضح طور پر مختلف ہو: کوئی نئی قسم، کوئی مختلف کیمرہ، کوئی ایسی بیماری جو ڈیٹا میں شامل نہ تھی، روشنی کے نمایاں طور پر مختلف حالات، یا کسی ایسی زبان میں سوال جس پر اسے جانچا نہ گیا ہو۔ ممکن ہے ماڈل ایسے معاملات میں بھی پُراعتماد جواب دے، اسی لیے اس کی یہ صلاحیت جانچنی ضروری ہے کہ وہ پہچان سکے کہ کوئی مدخل غیر مانوس ہے۔ اجتناب کا مطلب یہ ہے کہ شواہد ناکافی ہونے پر نظام خود کو تشخیص یا سفارش جاری کرنے پر مجبور نہ کرے۔ یہ نہ کوئی بے ترتیب تعطل ہے نہ ناکامی کی علامت، بلکہ ایک ارادی رویہ ہے، مثلاً یہ کہنا: "موجودہ تصویر حالت کا محفوظ تعین کرنے کے لیے کافی نہیں۔ پتے کے نچلے رخ کی زیادہ واضح تصویر لیں، اور فصل اور نشو و نما کا مرحلہ بتائیں، یا معاملہ کسی ماہر کی طرف بھیجیں۔" اجتناب کا خود بھی جائزہ لینا ضروری ہے۔ اگر نظام زیادہ تر معاملات میں اجتناب کرے، تو وہ محفوظ دکھائی دے سکتا ہے جبکہ افادیت میں کم ہو۔ اگر وہ کبھی اجتناب نہ کرے، تو ممکن ہے وہ ایسے معاملات میں بھی پُراعتماد جواب دے جنہیں وہ جانتا ہی نہیں۔ مطلوب ایسا توازن ہے جو کام کی سنگینی اور ٹیم کی اس استعداد کے مطابق ہو کہ وہ بھیجے گئے معاملات پر نظرثانی کر سکے۔ غیر یقینی صورت حال اور اجتناب کا عملی مفہوم: ہم صرف یہ نہیں پوچھتے کہ نظام نے جواب دیا یا نہیں، بلکہ یہ کہ آیا اس نے اپنے شواہد کی حدود پہچانیں، آیا اس نے درست وقت پر مدد طلب کی، اور آیا وہ درخواست اُس شخص تک پہنچی جو پیروی کر سکتا تھا۔ ہ۔ نظام کی کارکردگی عملیات میں ناپیں، صرف مظاہرے میں نہیں ممکن ہے کوئی نظام کسی مختصر عوامی مظاہرے میں، یا کسی مستحکم نیٹ ورک سے جڑے طاقتور کمپیوٹر پر اچھا کام کرے، اور پھر فارم پر دن بہ دن استعمال ہونے پر مشکلات کا شکار ہو جائے۔ اسی لیے موازنے میں ایسے پہلو شامل ہوتے ہیں جو درستی کے کسی عدد میں ظاہر نہیں ہوتے، مثلاً:

• ڈیٹا داخل کرنے اور نتیجہ ظاہر ہونے کے درمیان وقت۔
• نظام کی وہ صلاحیت کہ وہ اُس فون یا آلے پر چل سکے جو درحقیقت دستیاب ہے۔
• توانائی کا استعمال اور منتقل ہونے والے ڈیٹا کا حجم۔
• مسلسل انٹرنیٹ کنکشن کی ضرورت۔
• نیٹ ورک کمزور ہونے یا بجلی جانے پر کیا ہوتا ہے۔
• کیمروں، سینسروں، سرورز، اور رکنیتوں کی لاگت۔
• آلات کی تنصیب، کیلیبریشن، اور دیکھ بھال کے لیے درکار وقت۔
• کام میں خلل ڈالے بغیر سافٹ ویئر کو کتنی آسانی سے اپ ڈیٹ کیا جا سکتا ہے۔
• انٹرفیس کی وضاحت اور صارف کی نتیجہ سمجھنے کی صلاحیت۔
• تکنیکی معاونت اور فاضل پرزوں کی دستیابی۔
• غلطی درست کرنے یا کام کے دستی طریقے پر واپس جانے کی صلاحیت۔

ممکن ہے کوئی ماڈل لیبارٹری جانچ میں قدرے کم کارکردگی دکھائے مگر کھیت میں زیادہ مفید ہو اگر وہ ایک دستیاب فون پر تیزی سے چلے، قابلِ فہم نتیجہ پیش کرے، اور رابطہ کمزور ہونے پر بھی اپنے بنیادی افعال انجام دیتا رہے۔ اس کے برعکس، زیادہ درست ماڈل ناقابلِ عمل ہو سکتا ہے اگر اسے مہنگا آلہ، مسلسل رابطہ، یا مداخلت کی مہلت سے زیادہ طویل جوابی وقت درکار ہو۔ اگر جڑی بوٹیوں کی شناخت کا نظام نتیجہ اُس وقت بھیجے جب مشین جڑی بوٹی کے مقام سے گزر چکی ہو، تو تصویر کی بلند درستی اس کے کسی کام کی نہیں۔ اگر بیماری کا انتباہ ڈیٹا لینے کے کئی دن بعد پہنچے، تو ممکن ہے وہ اپنی قدر کھو دے خواہ تشخیص درست ہی ہو۔ عملیاتی کارکردگی کا عملی مفہوم: مفید نظام وہ ہے جو روزمرہ کے کام کے حالات سے ہم آہنگ ہو، نہ کہ وہ جو صرف اُسی وقت کامیاب ہو جب مظاہرے کے مثالی حالات دستیاب ہوں۔ و۔ نفاذ کے بعد بدلتے حالات اور گھٹتی کارکردگی کی نگرانی کریں نظام کے آغاز پر اچھا نتیجہ اس بات کی ضمانت نہیں کہ وہ برقرار رہے گا۔ زرعی ماحول بدلتے ہیں: نئی اقسام سامنے آتی ہیں، کاشت کی تاریخیں کھسک جاتی ہیں، کیمرے اور سینسر تبدیل ہوتے ہیں، طریقۂ کار بدلتے ہیں، اور کوئی ایسا کیڑا یا کیفیت پھیل سکتی ہے جس کی اصل ڈیٹا میں نمائندگی نہ تھی۔ جب نظام کو موصول ہونے والے ڈیٹا کی نوعیت اُس ڈیٹا سے بدل جائے جس پر اسے تربیت دی گئی اور جانچا گیا تھا، تو اسے ڈیٹا کا انحراف کہا جاتا ہے۔ بات یہ نہیں کہ ڈیٹا لفظی طور پر کہیں منتقل ہو جاتا ہے، بلکہ یہ کہ نظام جس حقیقت کو دیکھتا ہے اس کی خصوصیات اب وہ نہیں رہیں جو پہلے تھیں۔ مثالوں میں شامل ہیں:

• کسی مخصوص کیمرے کی تصاویر پر ماڈل کو تربیت دینا اور پھر اسے ایسے کیمرے سے بدل دینا جس کے رنگ اور تصویری پروسیسنگ مختلف ہوں۔
• زیرِ کاشت قسم بدل جائے، چنانچہ علامات مختلف انداز میں ظاہر ہوں۔
• آب و ہوا یا موسم کا وقت بدل جائے، چنانچہ موسم اور پیداوار کا تعلق بدل جائے۔
• کسی گرین ہاؤس میں تغذیے یا روشنی کے نظام میں ترمیم کرنا۔
• ریکارڈ داخل کرنے کا طریقہ، یا ایپلی کیشن میں خانوں کے نام، بدل جائیں۔
• مکالماتی مشاورتی نظام میں نئے سوالات اور لہجے سامنے آئیں۔

یہ بھی ہو سکتا ہے کہ ڈیٹا بظاہر ویسا ہی رہے جبکہ ڈیٹا اور نتیجے کے درمیان تعلق بدل جائے۔ ممکن ہے کوئی خاص درجۂ حرارت پہلے کے آبپاشی نظام کے تحت پودے کے دباؤ سے وابستہ رہا ہو، اور پھر ہوا کی گزرگاہ بہتر کرنے یا نیا سایہ نصب کرنے کے بعد وہ تعلق بدل گیا ہو۔ لہٰذا نفاذ کے بعد نظام کو ایسی نگرانی درکار ہوتی ہے جس میں شامل ہو:

• نئے ڈیٹا کا موازنہ اُس ڈیٹا سے کرنا جس پر اسے جانچا گیا تھا۔
• غیر معمولی معاملات یا ایسے معاملات ریکارڈ کرنا جن میں اعتماد گھٹ گیا ہو۔
• کھیت میں نتائج کے ایک نمونے پر نظرثانی کرنا۔
• جھوٹے انتباہات اور چھوٹ جانے والے معاملات کی تعداد کا سراغ رکھنا۔
• ایک ایسی حد مقرر کرنا جو ازسرِنو جائزے کو شروع کرے۔
• یہ متعین کرنا کہ ماڈل کو اپ ڈیٹ یا دوبارہ تربیت دینے کا فیصلہ کون کرے گا۔
• نئے ورژن کو منظور کرنے سے پہلے جانچنا۔
• کسی مسئلے کے ظاہر ہونے پر پچھلے ورژن پر واپس جانے کی صلاحیت برقرار رکھنا۔

دوبارہ تربیت ہر گراوٹ کا خودکار حل نہیں؛ ممکن ہے نئے ڈیٹا میں غلطیاں یا غیر دستاویزی نتائج شامل ہو جائیں، اور نظام ان سے سیکھ کر مزید خراب ہو جائے۔ اسی لیے اپ ڈیٹوں کو نظرثانی، جانچ، اور منظوری کے مراحل سے گزرنا چاہیے۔ ڈیٹا کے انحراف کا عملی مفہوم: جو پچھلے موسم میں کارآمد تھا، ضروری نہیں کہ اگلے موسم میں خود بخود کارآمد رہے، اس لیے نظام کو مسلسل نگرانی درکار ہے، نہ کہ کامیابی کی ایسی سند جو ایک بار ہمیشہ کے لیے دے دی جائے۔ ز۔ ناپیں کہ نتیجہ صارف تک پہنچنے کے بعد کیا ہوا ممکن ہے پیش گوئی بہتر ہو جائے مگر زرعی نتیجہ بہتر نہ ہو۔ ممکن ہے نظام بیماری کی جلد شناخت کر لے، مگر انتباہ درست شخص تک نہ پہنچے۔ ممکن ہے انتباہ پہنچ جائے، مگر صارف اسے نہ سمجھے۔ ممکن ہے صارف اسے سمجھ لے، مگر اس کے پاس مداخلت کے لیے درکار مواد، مزدور، یا وقت نہ ہو۔ ممکن ہے صارف سفارش پر عمل بھی کر لے، مگر وہ کھیت کے حالات کے لیے موزوں نہ ہو۔ اسی لیے پورے سلسلے کا سراغ رکھنا چاہیے:

1. کیا ماڈل کا اندازہ درست تھا؟
2. کیا نظام نے اسے ایک واضح انتباہ یا سفارش میں بدلا؟
3. کیا نتیجہ درست وقت پر پہنچا؟
4. کیا صارف نے اسے سمجھا اور اس پر بھروسا کیا؟
5. کیا اس نے فیصلہ بدلا؟
6. کیا فیصلہ منصوبے کے مطابق نافذ ہوا؟
7. کیا نفاذ بہتر زرعی نتیجے کا باعث بنا؟

ان سطحوں کا مفہوم ایک نہیں۔ ممکن ہے آبپاشی کی پیش گوئی کی درستی بہتر ہو جائے، پھر بھی پانی کا استعمال کم نہ ہو کیونکہ نیٹ ورک میں رساؤ ہے۔ ممکن ہے نظام جانور کی کسی کیفیت کی جلد شناخت کر لے، مگر ٹیم دن کے اختتام تک انتباہات پر نظرثانی نہ کر پائے۔ ممکن ہے وہ مزدوری کی بہتر تقسیم تجویز کرے، مگر منصوبہ کھیتوں کے درمیان نقل و حمل کو ملحوظ نہ رکھے۔ اثر ناپتے وقت ایک سے زائد نتیجے کو پیشِ نظر رکھنا چاہیے۔ ممکن ہے نظام پانی کا استعمال کم کرے مگر توانائی کا استعمال بڑھا دے، یا پیداوار بڑھائے مگر مداخل کی لاگت بڑھا دے، یا دستی مزدوری کم کرے مگر کسی ایسی بیرونی خدمت پر انحصار بڑھا دے جس کی مرمت مشکل ہو۔ پیداوار یا لاگت میں ہر تبدیلی کو محض اس بنا پر نظام سے منسوب نہیں کرنا چاہیے کہ وہ نظام کے استعمال کے بعد پیش آئی؛ سبب کوئی بہتر موسم، قیمتوں کی تبدیلی، یا کوئی دوسرا زرعی طریقۂ کار بھی ہو سکتا ہے۔ اگر یہ ثابت کرنا مقصود ہو کہ نظام نے فرق پیدا کیا، تو مرحلہ وار نفاذ، ملتے جلتے کھیتوں یا مدتوں کا موازنہ، یا کھیت کا ایسا مناسب ڈیزائن درکار ہو سکتا ہے جو نظام کے اثر کو دوسرے عوامل سے الگ کرے۔ اثر ناپنے کا عملی مفہوم: تشخیص اس پر ختم نہیں ہوتی کہ جواب درست تھا یا نہیں؛ وہ یہ پوچھتے ہوئے جاری رہتی ہے کہ آیا جواب پہنچا، آیا اس نے فیصلہ بدلا، اور آیا فیصلہ حقیقی دنیا میں بہتر نتیجے کا باعث بنا۔ ح۔ انصاف، ذمہ داری، اور نظم و نسق کا جائزہ لیں ممکن ہے نظام اچھی اوسط حاصل کرے، پھر بھی صارفین یا فارموں کے ایک گروہ کے لیے دوسرے کی قیمت پر بہتر کام کرے۔ ممکن ہے وہ ایسے تیز رابطے پر منحصر ہو جو دور دراز علاقوں میں دستیاب نہیں، یا ایسے جدید فون پر جو تمام صارفین کے پاس نہیں، یا بڑے، منظم فارموں کی تصاویر پر جو چھوٹی ملکیتوں کی نمائندگی نہیں کرتیں، یا ایسی رسمی زبان پر جو مقامی سوالات اور لہجے ٹھیک سے نہیں سنبھالتی۔ لہٰذا نتائج کو، جہاں مناسب ہو، درج ذیل کے مطابق الگ الگ کر کے دیکھنا چاہیے:

• فارم کا رقبہ اور پیداوار کی نوعیت۔
• خطہ اور موسمی حالات۔
• قسم اور نشو و نما کا مرحلہ۔
• آلے یا سینسر کی نوعیت۔
• رابطے کا معیار۔
• زبان یا لہجہ۔
• صارف کا تجربہ اور انٹرفیس استعمال کرنے کی صلاحیت۔

انصاف کا مطلب یہ نہیں کہ نظام ہر ایک کو ایک ہی نتیجہ دے؛ بلکہ اس کا مطلب یہ جانچنا ہے کہ آیا کوئی مخصوص گروہ زیادہ غلطیوں کا بوجھ اٹھاتا ہے، خدمت تک رسائی حاصل نہیں کر پاتا، یا کسی غلط فیصلے کو چیلنج کرنے کا راستہ نہیں رکھتا۔ رہا نظم و نسق، تو اس سے مراد وہ اصول اور ذمہ داریاں ہیں جو نظام کے پورے دورِ حیات میں اس پر حاکم ہوتی ہیں، جن میں شامل ہیں:

• اس کے استعمال کی اجازت کس نے دی؟
• اس کے ڈیٹا اور کارکردگی پر نظرثانی کون کرتا ہے؟
• غلطی کی ذمہ داری کون اٹھاتا ہے؟
• کیا صارف اعتراض کر سکتا ہے یا انسانی نظرثانی کا مطالبہ کر سکتا ہے؟
• نظام کون سے فیصلے تجویز یا انجام دے سکتا ہے؟
• کون سے فیصلے کسی ماہر یا مجاز ادارے کے ہاتھ میں رہنے چاہئیں؟
• ریکارڈ کیسے محفوظ رکھے جاتے ہیں اور نجی رازداری کا احترام کیسے کیا جاتا ہے؟
• تبدیلیوں اور ورژنوں کی دستاویز بندی کیسے ہوتی ہے؟
• خطرہ ظاہر ہونے پر نظام کو روکنے کا اختیار کس کے پاس ہے؟

یہ سوالات اس وقت زیادہ اہم ہو جاتے ہیں جب نظام پودوں یا جانوروں کی صحت، مزدور کی سلامتی، پانی اور ضابطہ بند مادوں کے استعمال، یا مارکیٹ میں پیداوار کی قبولیت پر اثر ڈالے۔ یہ نقطۂ نظر اس تصور سے رہنمائی لیتا ہے کہ مصنوعی ذہانت کے خطرات کو اس کے دورِ حیات کے تمام مراحل میں منظم کیا جائے، ڈیزائن اور جانچ سے لے کر عمل درآمد، نگرانی اور تجدید تک [SRC033]۔ نظم و نسق کا عملی مفہوم: یہ جان لینا کافی نہیں کہ نظام کیا کر سکتا ہے؛ ہمیں یہ بھی جاننا ہوگا کہ اس کی نگرانی کون کرتا ہے، اس پر نظرثانی کون کرتا ہے، اور غلطی کرنے پر فیصلہ سازی کا اختیار کس کے پاس ہے۔ اعلیٰ سطح کے قاری کے لیے: ایک پیشہ ورانہ موازنہ کسی ایک عدد کو حتمی فیصلے کے طور پر پیش نہیں کرتا۔ اسے یہ واضح کرنا چاہیے کہ جانچ کے نمونے کا حجم کتنا تھا، نتیجے میں تغیر کا درجہ کیا تھا، مختلف گروہوں اور ماحولوں میں کارکردگی کیسی رہی، وقت کے ساتھ اس کا استحکام کیا رہا، اور ہر قسم کی غلطی کی لاگت کیا ہے۔ موازنے کی شرائط بھی یکساں رکھی جانی چاہئیں: وہی ڈیٹا، کام کی وہی تعریف، انتباہ کی وہی حد، اور عمل کا وہی ماحول۔ ممکن ہے ایک ماڈل اُس وقت بہتر کارکردگی دکھائے جب اسے بہت سے انتباہات بھیجنے کی اجازت ہو، جبکہ دوسرا اُس وقت بہتر رہے جب انتباہات کی تعداد اُتنی ہی رکھی جائے جتنی ٹیم نظرثانی کر سکے۔ اس لیے موازنہ ہمیشہ فیصلے کی شرائط اور دستیاب وسائل سے جڑا ہوتا ہے، نہ کہ الگورتھم کی مجرد کارکردگی سے۔ کسی بھی نظام کے موازنے کے لیے ایک عملی فہرستِ جانچ موازنے کو آٹھ سوالوں میں سمویا جا سکتا ہے، لیکن ہر سوال کا مفہوم واضح طور پر سمجھا جانا چاہیے:

1. نظام کی وجہ سے کون سا فیصلہ بدلے گا؟

کیا نتیجہ کسی اضافی معائنے، کسی قطعے کی آبپاشی، کسی جانور کے علاج، کسی مداخل کی خریداری، یا کسی مشین کے چلانے کی طرف لے جائے گا؟ اگر ہمیں معلوم نہیں کہ کون سا فیصلہ بدلے گا، تو ہمیں یہ بھی معلوم نہیں ہوگا کہ کس درجے کی کارکردگی درکار ہے۔

2. نظام کا موازنہ کس موجودہ طریقے سے کیا جا رہا ہے؟

کیا وہ کسان کے تجربے، ماہر کے معائنے، کسی سادہ اصول، یا اس نظام سے بہتر کارکردگی دکھاتا ہے جو اس وقت زیرِ استعمال ہے؟ اور وہ کتنی اضافی قدر فراہم کرتا ہے؟

3. کیا اسے ایسے آزاد ماحول میں جانچا گیا جو اس ماحول سے مشابہ ہو جہاں اسے استعمال کیا جائے گا؟

کیا جانچ میں ایسے کھیت، موسم، آلات، اقسام اور صارفین شامل تھے جن کا ڈیٹا تربیت میں شامل نہیں تھا؟

4. کون سی غلطی سب سے خطرناک ہے، اور وہ کتنی بار پیش آئی؟

کیا سب سے بڑا خطرہ معاملے کے چھوٹ جانے میں ہے، جھوٹا انتباہ جاری کرنے میں، تاخیر میں، یا عمل کو غلط جگہ کی طرف موڑ دینے میں؟ اور اس غلطی کا فارم پر کیا اثر پڑتا ہے؟

5. کیا وہ اپنے علم کی حدود واضح کرتا ہے؟

کیا وہ اعتماد کی سطح یا متوقع حد پیش کرتا ہے؟ اور کیا شواہد ناکافی ہونے پر وہ اضافی معلومات طلب کرتا ہے یا معاملہ کسی انسان کے سپرد کر دیتا ہے؟

6. اسے چلانے اور برقرار رکھنے کی لاگت کیا ہے؟

اسے کون سے آلات، رابطہ، بجلی، تربیت، معاونت اور دیکھ بھال درکار ہے؟ اور تعطل یا خرابی کی صورت میں کیا ہوتا ہے؟

7. ہمیں کیسے پتا چلے کہ اس کی کارکردگی خراب ہو گئی ہے؟

نفاذ کے بعد نتائج کی نگرانی کون کرتا ہے؟ کون سی علامت دوبارہ جانچ یا تجدید کی ضرورت ظاہر کرتی ہے؟ اور نئے ورژن کی منظوری کون دیتا ہے؟

8. حتمی فیصلہ اور اسے روکنے کا اختیار کس کے پاس ہے؟

کیا صارف کو معلوم ہے کہ نتیجہ کب محض مشورہ ہے؟ بلند خطرے والے معاملات پر نظرثانی کون کرتا ہے؟ اور کیا خودکار عمل درآمد روک کر نظام کو محفوظ حالت میں واپس لایا جا سکتا ہے؟

بنیادی اصول: کوئی ماڈل محض اس لیے بہتر نہیں ہوتا کہ اس کا عدد زیادہ ہے؛ بلکہ وہ اس وقت بہتر ہوتا ہے جب وہ کسی حقیقت پسندانہ طریقے سے بہتر کارکردگی دکھائے، استعمال کے ماحول میں پائیدار ثابت ہو، اپنے علم کی حدود آشکار کرے، دستیاب وسائل کے اندر کام کرے، سب سے زیادہ نقصان دہ غلطی کو کم کرے، اور بالآخر ایک بہتر فیصلے اور کھیت پر ایک بہتر نتیجے کی طرف لے جائے۔

13۔ ایک مربوط تدریسی مثال: پتے کی تصویر ایک ذمہ دارانہ زرعی فیصلے میں کیسے بدلتی ہے؟

درج ذیل مثال ایک تدریسی نمونہ ہے جو باب کے تصورات کو ایک ہی راستے میں جمع کرتی ہے۔ یہ کسی مخصوص بیماری کی تشخیص فراہم نہیں کرتی، نہ کسی علاج، مادے یا خوراک کی تفصیل بتاتی ہے؛ بلکہ یہ دکھاتی ہے کہ ایک ذمہ دار نظام کو نامکمل معلومات سے کیسے نمٹنا چاہیے، اور وہ ایک ابتدائی تصویر سے اُس فیصلے تک کیسے پہنچتا ہے جس کی وجوہات اور حدود کو جانچا جا سکے۔ ایک کسان نے کھیت کے ایک حصے میں کچھ پتوں پر زرد اور بھورے دھبے دیکھے۔ اس نے اپنے فون سے تصویر لی، وہ ایک معاون نظام کو بھیجی، اور پھر لکھا: "یہ مسئلہ کیا ہے، اور مجھے اس کے لیے کیا استعمال کرنا چاہیے؟" سوال بظاہر سیدھا سادہ لگ سکتا ہے، لیکن ایک ذمہ دارانہ جواب کسی بیماری یا مادے کے نام سے شروع نہیں ہوتا۔ ایک تصویر کسی علامت کو ظاہر کر سکتی ہے — یعنی پتے کے رنگ یا شکل میں نظر آنے والی تبدیلی — مگر تنہا یہ علامت کا سبب ثابت نہیں کرتی۔ تصویر میں کسی پھپھوندی یا بیکٹیریائی بیماری کے اثرات، غذائی عنصر کی کمی، پانی کا دباؤ، کیمیائی نقصان، دھوپ سے جھلسنے، کیڑوں کے نقصان، یا بیک وقت ایک سے زائد عوامل — سب ایک جیسے دکھائی دے سکتے ہیں۔ اسی وجہ سے تصویر جانچ کے راستے کا آغاز ہے، اس کا اختتام نہیں۔ پہلا قدم — عمومی سوال کو ایسے سوال میں بدلنا جسے جانچا جا سکے نظام "مجھے کیا استعمال کرنا چاہیے؟" کے سوال سے چھلانگ لگا کر علاج تجویز کرنے پر نہیں پہنچتا۔ بلکہ وہ مسئلے کو چھوٹے سوالوں میں دوبارہ ترتیب دیتا ہے:

• کیا تصویر میں ایسی نشانیاں ظاہر ہوتی ہیں جنہیں واضح طور پر بیان کیا جا سکے؟
• وہ پتے کے کس حصے میں واقع ہیں؟
• کیا نمونہ مقامی ہے یا وسیع پیمانے پر پھیلا ہوا؟
• کیا تصویر کچھ امکانات میں فرق کرنے کے لیے کافی ہے؟
• تشخیص کی طرف بڑھنے سے پہلے کون سی معلومات غائب ہیں؟
• کیا کوئی ایسی نشانی موجود ہے جو ماہر کی فوری نظرثانی کا تقاضا کرتی ہو؟

نظام کا پہلا جواب، مثال کے طور پر، یہ ہو سکتا ہے: "تصویر میں زرد اور بھورے حصے دکھائی دیتے ہیں، مگر تنہا یہ تصویر سبب متعین کرنے یا علاج منتخب کرنے کے لیے کافی نہیں۔ میں پہلے تصویر کے معیار کا جائزہ لوں گا، اور پھر مجھے فصل، علامات کے پھیلاؤ کی وسعت، اور گرد و پیش کے حالات کے بارے میں معلومات درکار ہوں گی۔" یہ ابتدائیہ ایک اہم کام انجام دیتا ہے: یہ علامت دیکھنے کو اس کے سبب کا علم ہونے سے الگ کرتا ہے، اور نظام کو اس سے روکتا ہے کہ وہ بصری مشابہت کو ایسے یقین میں بدل دے جو اس کے پاس ہے ہی نہیں۔ دوسرا قدم — تصدیق کرنا کہ تصویر تجزیے کے لیے موزوں ہے دھبوں کا تجزیہ کرنے سے پہلے، ایپلی کیشن خود تصویر کے معیار کو جانچتی ہے۔ جو چیز بیماری کی علامت معلوم ہوتی ہے، وہ درحقیقت کوئی سایہ، روشنی کا انعکاس، تصویر کے دباؤ (کمپریشن) کا اثر، یا فوکس سے باہر کوئی حصہ ہو سکتی ہے۔ نظام، جہاں تک ممکن ہو، ایسے امور جانچتا ہے:

• کیا پتہ واضح ہے یا حرکت کے باعث دھندلا ہے؟
• کیا روشنی اتنی قدرتی ہے کہ حقیقی رنگ ظاہر ہو؟
• کیا متاثرہ حصہ قریب سے نظر آ رہا ہے؟
• کیا پورا پتہ دکھائی دے رہا ہے، تاکہ اس پر علامات کا محلِ وقوع متعین کیا جا سکے؟
• کیا اوپر والی سطح کی ایک تصویر اور نچلی سطح کی دوسری تصویر موجود ہے؟
• کیا پورے پودے کی تصویر موجود ہے، نہ کہ صرف پتے کی؟
• کیا کوئی حوالہ جاتی شے موجود ہے جو دھبے کے حجم کا اندازہ لگانے میں مدد دے؟
• کیا تصویر اس کے بعد لی گئی جب پتہ گیلا ہو چکا تھا یا اس پر کوئی ایسی چیز چھڑکی گئی تھی جو اس کی ظاہری حالت بدل سکتی ہو؟

"دونوں سطحیں" دکھانے سے مراد پتے کی اوپر والی سطح اور اس کی نچلی سطح کی تصویر کشی ہے، کیونکہ کچھ نشانیاں ایک سطح پر دوسری کے مقابلے میں زیادہ واضح ہو سکتی ہیں۔ اگر تصویر ناکافی ہو، تو نظام کو محض اس لیے پُراعتماد جواب نہیں دینا چاہیے کہ صارف جواب کا منتظر ہے۔ بلکہ وہ وضاحت کرتا ہے کہ کیا چیز غائب ہے اور تصویر دوبارہ لینے کا کہتا ہے، مثلاً: "دھبوں کے کناروں کے گرد تصویر غیر واضح ہے۔ قدرتی روشنی میں قریب سے ایک تصویر لیں، پتے کی نچلی سطح کی ایک اور تصویر لیں، اور پھر پورے پودے اور کھیت کے متاثرہ حصے کی تصویر شامل کریں۔" یہ رویہ صارف کے لیے رکاوٹ نہیں؛ بلکہ یہ اسے ایسے نتیجے سے بچاتا ہے جو ایسے مداخل پر مبنی ہو جو کسی قابلِ اعتماد استنباط کی تائید نہیں کرتا۔ تیسرا قدم — یہ بیان کرنا کہ وژن کا آلہ کیا دیکھتا ہے، بغیر تشخیص کا دعویٰ کیے اگر تصویر تجزیے کے لیے موزوں ہو، تو نظام ایک یا ایک سے زائد کام انجام دینے کے لیے کمپیوٹر وژن کا ماڈل استعمال کر سکتا ہے:

• تصویر کے اندر رنگ بدلے ہوئے حصوں کی نشاندہی۔
• پتے کے متاثرہ حصے کے تناسب کا تخمینہ۔
• دھبوں کی شکل اور ان کی ظاہری تقسیم کی وضاحت۔
• نمونے کا اُن زمروں سے موازنہ جو ماڈل نے پچھلی تصاویر سے سیکھے۔
• یہ معلوم کرنا کہ تصویر اُن معاملات سے خاطر خواہ مشابہت نہیں رکھتی جن پر اس کی جانچ ہوئی تھی۔

نتیجے کو اپنی حدود کے بارے میں واضح ہونا چاہیے۔ چنانچہ نظام کے یہ کہنے کے بجائے: "یہ بیماری X ہے۔" وہ یہ کہہ سکتا ہے: "نظام نے پتے کے بافتی حصوں میں بے قاعدہ زرد اور بھورے دھبے شناخت کیے۔ یہ ظاہری حالت بصری طور پر ایک سے زائد کیفیات سے مشابہ ہے، اور موجودہ تصویر سبب متعین کرنے کے لیے کافی نہیں۔" نظام وہ حصہ بھی دکھا سکتا ہے جس پر اس نے تصویر میں توجہ مرکوز کی، تاکہ صارف یا ماہر تصدیق کر سکے کہ اس نے متاثرہ پتے کے بافت کا تجزیہ کیا، نہ کہ پس منظر یا قریبی سائے کا۔ رہی "نامعلوم زمرہ" کی اصطلاح، تو اس کا مطلب یہ نہیں کہ ماڈل نے "نامعلوم" نامی کوئی بیماری دریافت کر لی۔ اس کا مطلب یہ ہے کہ تصویر اُن زمروں سے خاطر خواہ حد تک مطابقت نہیں رکھتی جنہیں پہچاننا نظام نے سیکھا تھا، یا اس کا معیار کسی محفوظ فیصلے کی اجازت نہیں دیتا۔ ایسی صورت میں اسے ایسا نتیجہ دکھانا چاہیے:

• یہ معاملہ نظام کے معلوم زمروں میں نمائندگی نہیں رکھتا۔
• تصویر موازنے کے لیے ناکافی ہے۔
• ایسی متداخل نشانیاں موجود ہیں جو درجہ بندی کی اجازت نہیں دیتیں۔
• انسانی معائنہ یا اضافی معلومات درکار ہیں۔

یہاں ایک اہم فرق سامنے آتا ہے: ممکن ہے ماڈل دھبوں کا محلِ وقوع درست طور پر متعین کر سکے، مگر ان کا سبب متعین نہ کر سکے۔ پہلے بصری کام میں کامیابی تشخیص میں کامیابی ثابت نہیں کرتی۔ چوتھا قدم — تصویر کے سیاق میں کھیت کا سیاق شامل کرنا پودوں کی علامات کو فصل، ماحول اور انتظام سے الگ نہیں کیا جا سکتا۔ اسی لیے نظام ایسی معلومات طلب کرتا ہے جو تصویر کی تعبیر بدل سکتی ہوں، مگر بہتر یہ ہے کہ کسان پر ایک ساتھ درجنوں سوالات کا بوجھ نہ ڈالا جائے۔ وہ سب سے مفید سوالات سے آغاز کرتا ہے، پھر ضرورت پڑنے پر مزید تفصیل طلب کرتا ہے۔ وہ پہلے یہ پوچھ سکتا ہے:

• فصل اور اس کی قسم کیا ہے، اگر معلوم ہو؟
• پودے کی عمر یا نشو و نما کا مرحلہ کیا ہے؟
• علامات کب نمودار ہوئیں؟
• کیا وہ تیزی سے بڑھ رہی ہیں، یا مستحکم دکھائی دیتی ہیں؟
• کیا وہ ایک ہی پودے پر ظاہر ہوتی ہیں یا پودوں کے ایک گروہ پر؟
• کیا وہ کھیت کے کناروں پر مرکوز ہیں، بکھرے ہوئے ٹکڑوں میں، یا آبپاشی کی قطاروں کے ساتھ ساتھ؟
• کیا ان کا آغاز پرانے پتوں سے ہوا یا نئے پتوں سے؟
• کیا پتے کی نچلی سطح پر اضافی نشانیاں موجود ہیں؟
• کیا تنے، پھل، یا جڑوں پر علامات ظاہر ہوئی ہیں؟
• کیا شدید آبپاشی ہوئی، پانی میں تعطل آیا، یا گرمی کی لہر یا سردی کی لہر آئی؟
• کیا کوئی زرعی مداخل استعمال ہوا، یا حال ہی میں کھاد کا پروگرام بدلا گیا؟
• کیا کسی پڑوسی فصل یا کھیت میں ایسی ہی علامات موجود ہیں؟

یہ معلومات کوئی "ضمنی تفصیلات" نہیں بڑھاتیں؛ یہ تصویر کے معنی کو یکسر بدل سکتی ہیں۔ آبپاشی کی کسی لائن کے ساتھ علامات کی تقسیم تفتیش کا رخ پانی، جڑوں، یا آبپاشی کے آلات کی طرف موڑ سکتی ہے، جبکہ ایک مرکز سے پڑوسی پودوں تک پھیلاؤ امکانات کا ایک مختلف مجموعہ سامنے لا سکتا ہے۔ اور ان کا پرانے پتوں پر ظاہر ہونا اس سے مختلف مفہوم رکھ سکتا ہے کہ وہ پہلے نئی نشو و نما پر ظاہر ہوں۔ نظام کو یہ فرق بھی رکھنا چاہیے کہ کون سی معلومات صارف نے درج کیں، کون سی کسی سینسر نے ناپیں، اور کون سا استنباط تصویر سے اخذ کیا گیا۔ اسے ان سب کو ایسے پیش نہیں کرنا چاہیے جیسے وہ سب یکساں وزن رکھنے والے حقائق ہوں۔ پانچواں قدم — ایک واحد سبب کا اعلان کرنے کے بجائے امکانات کی درجہ بندی کرنا تصویر اور سیاق جمع کرنے کے بعد، نظام ممکنہ اسباب کی درجہ بندی کر سکتا ہے۔ یہاں وزن کرنے سے مراد دستیاب شواہد کی روشنی میں امکانات کا موازنہ کرنا ہے، نہ کہ یہ اعلان کرنا کہ سب سے اوپر درجہ بند سبب ثابت ہو چکا ہے۔ وہ نتیجہ اس صورت میں پیش کر سکتا ہے:

• ایک امکان دھبوں کی شکل اور تقسیم سے مطابقت رکھتا ہے، مگر اس میں وہ نشانی موجود نہیں جسے پتے کی نچلی سطح پر جانچنا چاہیے۔
• دوسرے امکان کی تائید حالیہ موسمی حالات کرتے ہیں، مگر وہ علامات کے محلِ وقوع کی مکمل وضاحت نہیں کرتا۔
• غذائیت یا آبپاشی سے متعلق ایک امکان کھیت میں علامات کی تقسیم اور مٹی یا پانی کی پیمائشوں کا جائزہ لینے کا تقاضا کرتا ہے۔
• دوسرے اسباب کم امکان رکھتے ہیں، مگر معلومات نامکمل ہونے کے باعث وہ ممکن باقی رہتے ہیں۔

نہ ہی محض خام فیصد پیش کرنا کافی ہے، کیونکہ ایک عدد قاری کو یقین کا اس سے زیادہ احساس دے سکتا ہے جتنی شواہد اجازت دیتے ہیں۔ نظام کو یہ واضح کرنا چاہیے:

• کن شواہد نے ہر امکان کو بڑھایا؟
• کن معلومات نے اسے کم کیا؟
• کون سا ڈیٹا غائب ہے؟
• اگلا کون سا سوال یا جانچ امکانات کے درمیان سب سے مؤثر طور پر فرق کرے گی؟
• کیا وہ اعتماد کے درجات جو وہ پیش کر رہا ہے، کسی مشابہ فصل اور ماحول میں جانچے گئے ہیں؟

تکنیکی اصطلاح میں، احتمالی تہہ سے مراد وہ حصہ ہے جو شواہد کے مختلف ٹکڑے جمع کرتا ہے اور نئی معلومات آنے پر امکانات کو دوبارہ ترتیب دیتا ہے۔ لیکن یہ حصہ خود سے "سچائی نہیں جانتا"؛ بلکہ وہ اس کو منظم کرتا ہے کہ ڈیٹا کس چیز کی تائید کرتا ہے اور کس چیز کا فیصلہ وہ اب بھی نہیں کر سکتا۔ چنانچہ اگر صارف پتے کی نچلی سطح کی تصویر، یا علامات کے پھیلاؤ کی تفصیل، یا کسی کھیتی یا تجربہ گاہی جانچ کا نتیجہ شامل کرے، تو درجہ بندی بدل سکتی ہے۔ یہ تضاد کی علامت نہیں، بلکہ مضبوط تر شواہد آنے پر فیصلے کی تجدید کا فطری نتیجہ ہے۔ چھٹا قدم — سیاق کے لیے موزوں قابلِ اعتماد ماخذوں کی تلاش امکانات محدود کرنے کے بعد، نظام منظور شدہ علمی ماخذوں میں تلاش کرتا ہے۔ ضابطہ بند ماخذوں سے مراد محض ایسے صفحات نہیں جو کسی تلاش میں اتفاقاً مل جائیں، بلکہ دستاویزات کا ایسا مجموعہ ہے جن کا ماخذ، تاریخ، دائرۂ اطلاق، اور منظوری کی حیثیت متعین کی جا چکی ہو۔ ان میں، کام اور ملک کے لحاظ سے، یہ شامل ہو سکتے ہیں:

• قابلِ اعتماد زرعی اداروں کی جاری کردہ رہنما دستاویزات۔
• فصل کے لیے موزوں سائنسی یا تشخیصی حوالہ جات۔
• تازہ کاری شدہ سرکاری بلیٹن۔
• مجاز ضابطہ کار اداروں کی جاری کردہ ہدایات۔
• مقامی طور پر رجسٹرڈ مصنوعات کے لیے استعمال کی موجودہ سرکاری ہدایات۔
• نمونہ گیری کے پروٹوکول یا کسی تجربہ گاہ کی طرف بھیجنے کا طریقہ۔

کوئی ماخذ محض اس لیے موزوں نہیں بن جاتا کہ وہ بذاتِ خود درست ہے۔ ممکن ہے وہ کسی دوسرے ملک سے جاری ہوا ہو جہاں رجسٹرڈ مصنوعات مختلف ہوں، یا وہ کسی مختلف قسم سے متعلق ہو، یا پرانا ہو چکا ہو، یا کسی دوسری فصل میں ملتی جلتی علامات والی بیماری سے بحث کرتا ہو۔ اس لیے نظام کو، جہاں تک ممکن ہو، ان امور میں مطابقت پیدا کرنی چاہیے:

• فصل اور اس کی قسم۔
• مقام، یا ملک اور خطہ۔
• دستاویز کی تاریخ اور ورژن۔
• جاری کرنے والا ادارہ۔
• کاشت کی نوعیت اور ماحول۔
• فصل کی نشو و نما کا مرحلہ۔
• مادے یا طریقۂ کار کی ضابطہ جاتی حیثیت۔

نظام کو ماخذ اس طرح پیش کرنا چاہیے کہ صارف یا ماہر اسے جانچ سکے، اور دستاویز کا عنوان، جاری کرنے والا ادارہ، تاریخ، اور وہ حصہ متعین کرنا چاہیے جس پر اس نے انحصار کیا۔ اسے ان کے درمیان فرق بھی کرنا چاہیے:

• وہ جو ماخذ میں صریح طور پر درج ہے۔
• وہ جو نظام نے کئی معلومات کو ملا کر اخذ کیا۔
• وہ جس کے لیے اسے کافی تائید نہیں ملی۔

اگر اسے کوئی موزوں ماخذ نہ ملے، تو ذمہ دارانہ عبارت یہ ہے: "مجھے منظور شدہ ماخذوں کے دستیاب مجموعے کے اندر اس فصل اور خطے کے لیے ایسی حالیہ اور موزوں رہنمائی نہیں ملی جو کسی مخصوص سفارش کو جواز فراہم کرے۔ کسی ماہر یا مقامی زرعی ادارے سے رجوع کرنا ضروری ہے۔" ماخذ نہ ملنا کوئی ایسا خلا نہیں جسے ماڈل قیاس آرائی سے بھر دے؛ بلکہ یہ ایک اہم معلومات ہے جسے ظاہر کرنا لازم ہے۔ ساتواں قدم — احتمال سے علاج کی طرف غیر محفوظ منتقلی کو روکنا احتمالات اور ماخذ پیش ہو جانے کے بعد، سلامتی کا دروازہ حرکت میں آتا ہے۔ اس سے مراد اصولوں اور نظرثانیوں کا وہ مجموعہ ہے جو نظام کو بصری مشابہت یا کسی غیر طے شدہ احتمال کو براہِ راست علاج کی ہدایت میں بدلنے سے روکتا ہے۔ نتیجے کی مختلف سطحوں میں فرق کیا جانا چاہیے:

1. عمومی وضاحت: تصویر میں کیا ظاہر ہوتا ہے، اور کون سی معلومات غائب ہیں؟
2. تصدیق کا مرحلہ: اگلی کون سی تصویر، معائنہ، یا معلومات درکار ہے؟
3. کم خطرے والی عمومی احتیاطی رہنمائی: بشرطیکہ کسی موزوں ماخذ کی تائید حاصل ہو اور وہ کسی غیر تصدیق شدہ تشخیص کو فرض نہ کرے۔
4. پیشہ ورانہ تشخیص: اس کے لیے کسی ماہر یا حوالہ جاتی جانچ کی ضرورت پڑ سکتی ہے۔
5. کسی مادے، خوراک، یا ضابطہ بند طریقۂ کار کا انتخاب: یہ تشخیص، مقامی رجسٹریشن، مصنوع کی موجودہ سرکاری ہدایاتِ استعمال، اور فیصلہ کرنے کے مجاز شخص کے اختیار سے مشروط ہے۔

امکانات کی فہرست میں کسی بیماری کے نام کا ہونا اس بات کا جواز نہیں کہ خودبخود کسی مادے کے نام کی طرف بڑھ لیا جائے۔ اور نہ ہی کسی پرانے یا کسی دوسرے ملک کے جاری کردہ ماخذ میں کسی مادے کا ذکر یہ ثابت کرتا ہے کہ وہ اس فصل اور خطے کے لیے رجسٹرڈ ہے، یا اس کا استعمال اس معاملے کے لیے موزوں ہے۔ سلامتی کا دروازہ یہ طے کر سکتا ہے کہ درست نتیجہ یہ ہے:

• اضافی تصاویر یا معلومات کی درخواست۔
• پودے کے باقی حصے اور کھیت کا معائنہ کرنے کی تجویز۔
• معاملے کو کسی زرعی ماہر کی طرف بھیجنا۔
• معائنے کے لیے نمونہ جمع کراتے وقت ماہر کی ہدایات پر عمل کرنا۔
• ملک یا خطے میں مجاز ضابطہ کار اتھارٹی سے تصدیق۔
• کوئی مادہ یا خوراک تجویز کرنے سے گریز کرنا کیونکہ تشخیص یا ماخذ ناکافی ہے۔
• اگر دستیاب اشارے تیز پیشہ ورانہ مداخلت کا تقاضا کریں تو فوری انتباہ جاری کرنا، جبکہ انتباہ کی وجہ بیان کی جائے اور کسی قطعی تشخیص کا دعویٰ نہ کیا جائے۔

نظام کو ہر بار محض ایک عمومی جملے پر اکتفا نہیں کرنا چاہیے کہ "کسی ماہر سے رجوع کریں"، کیونکہ اس سے اس کی افادیت محدود ہو جاتی ہے۔ بہتر یہ ہے کہ وہ وضاحت کرے کہ معاملہ کیوں ماہر کا متقاضی ہے، کون سی معلومات تیار رکھنی چاہئیں، اور ماہر کو کون سا سوال حل کرنا ہے۔ آٹھواں مرحلہ — فیصلہ کرنا، جو کچھ ہوا اسے دستاویزی شکل دینا، اور نتیجے کی پیروی کرنا شواہد اور ان کی حدود پیش کر دیے جانے کے بعد، فیصلہ کسان یا مجاز ماہر کے پاس ہی رہتا ہے، جس کا انحصار عمل کی نوعیت اور اس کے خطرے کی سطح پر ہے۔ نتیجہ مزید معائنے کی درخواست ہو سکتا ہے، معاملے کی ایک متعین مدت تک نگرانی، کوئی ٹیسٹ کرانا، یا مقامی تقاضوں کے مطابق ماہر کی منظور شدہ کوئی مداخلت انجام دینا۔ نظام، صارف کی رضامندی سے اور رازداری کے قواعد کے مطابق، درج ذیل جیسی اشیاء ریکارڈ کرتا ہے:

• وہ تصاویر اور معلومات جن پر تجزیہ مبنی تھا۔
• وہ وقت جس پر نتیجہ جاری کیا گیا۔
• پیش کیے گئے احتمالات اور اعتماد کی سطحیں۔
• بازیافت کیے گئے مآخذ اور ان کے ورژن۔
• وہ ڈیٹا جو غائب تھا۔
• انتباہات یا گریز کرنے کی وجوہات۔
• صارف یا ماہر کا کیا گیا فیصلہ۔
• عملاً جو کچھ انجام دیا گیا۔
• بعد میں سامنے آنے والے کوئی نتائج یا تبدیلیاں۔

فیڈ بیک سے مراد وہ معلومات ہیں جو فیصلے کے بعد نظام کی طرف لوٹتی ہیں: کیا ماہر نے کسی خاص سبب کی تصدیق کی؟ کیا ٹیسٹ سے کوئی معیاری حوالہ جاتی نتیجہ برآمد ہوا؟ کیا علامات بدلیں؟ کیا وہ عمل واقعی انجام دیا گیا؟ لیکن صارف بعد میں جو کچھ لکھتا ہے، وہ خود بخود ایسی حقیقت نہیں بن جاتا جس پر تربیت کا انحصار کیا جا سکے۔ صارف یہ سمجھ سکتا ہے کہ تشخیص درست تھی کیونکہ اس نے بہتری دیکھی، جبکہ بہتری دراصل موسم، آبپاشی، یا کسی اور عامل میں تبدیلی کا نتیجہ ہو سکتی ہے۔ وہ کوئی غیر درست نام بھی درج کر سکتا ہے، یا نتیجے کو کسی ایسے عمل سے منسوب کر سکتا ہے جو ریکارڈ کے مطابق انجام نہیں دیا گیا۔ اس لیے بعد میں آنے والی معلومات مختلف درجوں کی قوت رکھتی ہیں:

• صارف کا مشاہدہ پیروی کے لیے مفید ہے۔
• ماہر کی تصدیق ابتدائی اندازے سے زیادہ مضبوط ہے۔
• کسی معیاری حوالہ جاتی ٹیسٹ کا نتیجہ کسی مخصوص کام کے لیے زیادہ مضبوط ہو سکتا ہے۔
• کسی عمل کے بعد بہتری بذاتِ خود یہ ثابت نہیں کرتی کہ تشخیص یا وہ عمل ہی بہتری کا سبب بنا۔

اس سے پہلے کہ یہ معلومات ماڈل کی تازہ کاری کے لیے استعمال کی جائیں، ان کے معیار کا جائزہ لینا، ان کے ماخذ کی تصدیق کرنا، یہ متعین کرنا کہ انہیں کس نے منظور کیا، اور پھر جاری کرنے سے پہلے تازہ شدہ ماڈل کی جانچ کرنا ضروری ہے۔ ورنہ نظام اپنی پرانی غلطیوں سے سیکھ کر انہیں مزید اعتماد کے ساتھ دہرا سکتا ہے۔ کسان کے لیے جواب کیسا ہو سکتا ہے؟ ابتدائی مراحل سے گزرنے کے بعد، نظام کچھ اس طرح کا جواب پیش کر سکتا ہے: "تصویر میں پتے کے بافتی حصے پر زرد اور بھورے دھبے نظر آ رہے ہیں، مگر یہ ظاہری شکل ایک سے زائد اسباب کا نتیجہ ہو سکتی ہے، اور موجودہ تصویر تشخیص کی تصدیق یا علاج کے انتخاب کے لیے کافی نہیں۔ پتے کی زیریں سطح کی ایک واضح تصویر، پورے پودے کی ایک تصویر بھیجیں، اور فصل اور اس کے نشو و نما کا مرحلہ بتائیں، علامات کب شروع ہوئیں، اور کیا وہ ملحقہ پودوں پر یا آبپاشی کی لائن کے ساتھ ساتھ ظاہر ہو رہی ہیں۔ جب یہ معلومات مکمل ہو جائیں گی، تو احتمالات کی درجہ بندی کی جا سکے گی اور اگلا ٹیسٹ متعین کیا جا سکے گا۔ میں کوئی مادہ یا خوراک اُس وقت تک تجویز نہیں کروں گا جب تک تشخیص موجود نہ ہو، خطے کے لیے موزوں ماخذ نہ ہو، اور مصنوع کی موجودہ سرکاری ہدایاتِ استعمال سے تصدیق نہ ہو جائے۔" یہ جواب کسان کو بغیر مدد کے نہیں چھوڑتا، اور ساتھ ہی اسے مصنوعی یقین بھی عطا نہیں کرتا۔ یہ واضح کرتا ہے کہ نظام نے کیا دیکھا، کیا ثابت نہ کر سکا، کون سی معلومات درکار ہیں، اور یہ کہ وہ براہِ راست علاج کی طرف کیوں نہیں بڑھا۔ یہ سفر کہاں ناکام ہو سکتا ہے؟ یہ معاملہ ظاہر کرتا ہے کہ غلطی صرف تصویری ماڈل میں نہیں ہوتی۔ وہ کسی بھی مرحلے پر پیش آ سکتی ہے:

• تصویر ناقابلِ استعمال ہو سکتی ہے، مگر ایپلی کیشن اسے قبول کر لے۔
• ماڈل دھبوں کے بجائے کسی سائے یا پس منظر پر مرکوز ہو سکتا ہے۔
• ممکن ہے وہ معاملہ تربیتی ڈیٹا میں نمائندگی ہی نہ رکھتا ہو۔
• صارف فصل کا غلط نام یا غلط مقام درج کر سکتا ہے۔
• نظام تصویر کو کسی دوسرے کھیت کے سیاق سے جوڑ سکتا ہے۔
• نظام احتمالات کی درجہ بندی اس سے زیادہ اعتماد کے ساتھ کر سکتا ہے جس کی شواہد اجازت دیتے ہیں۔
• نظام کوئی درست ماخذ بازیافت کر سکتا ہے، مگر ایسا جو پرانا ہو چکا ہو یا اُس ملک کے لیے موزوں نہ ہو۔
• انٹرفیس ماخذ کا خلاصہ ایسے انداز میں کر سکتا ہے جو اس کا مفہوم بدل دے۔
• عمومی معلومات کسی غیر مجاز علاجی سفارش میں بدل سکتی ہیں۔
• جواب دیر سے پہنچ سکتا ہے، جب حالت بدل چکی ہو۔
• نظام کسی تجویز کردہ فیصلے کو یوں ریکارڈ کر سکتا ہے گویا وہ عملاً انجام دیا جا چکا ہو۔
• کوئی غیر دستاویزی مشاہدہ تربیتی ڈیٹا میں ایک تصدیق شدہ تشخیص کے طور پر داخل ہو سکتا ہے۔

اسی وجہ سے یہ کہنا کافی نہیں کہ "ماڈل نے تصویر پہچان لی"۔ ہمیں یہ جاننا ہو گا کہ تصویر کیسے ایک احتمال میں بدلی، وہ احتمال ماخذ سے کیسے جوڑا گیا، کسی غیر محفوظ استنباط کو کیسے روکا گیا، فیصلہ کس نے کیا، اور نتیجے کو کیسے دستاویزی شکل دی گئی۔ ماہر قاری کے لیے: یہ معاملہ کئی مختلف افعال کو یکجا کرتا ہے، جن میں سے ہر ایک کا الگ الگ جائزہ لینا چاہیے: تصویر کا معیار، علامات کا مقام متعین کرنا، بصری نمونے کی درجہ بندی، غیر معمولی معاملات کی شناخت، سیاق جمع کرنا، احتمالات کی درجہ بندی، مآخذ کی بازیافت، ان کی موزونیت کی تصدیق، جواب کی تشکیل، حفاظتی قواعد کا اطلاق، کسی انسان کی طرف بھیجنا، اور نتیجے کی پیروی۔ کسی ایک فعل کی کامیابی کو دوسروں کی کامیابی کے ثبوت کے طور پر استعمال نہیں کیا جانا چاہیے۔ "قبل از وقت تشخیصی اختتام" سے بھی بچنا چاہیے — یعنی پہلی ہی ایسی توجیہہ پر رک جانا جو قائل کن معلوم ہو — اور اس کے بجائے وہ شواہد تلاش کرنے چاہئیں جو اس کی تائید کرتے ہیں اور وہ بھی جو اسے رد کر سکتے ہیں۔ اگر یہ سفر تصویر میں نظر آنے والے نمونے کی شناخت کے بعد رک جائے، تو ہمارا واسطہ ایک تصویری تجزیے کے آلے سے ہے۔ اگر اس میں سیاق اور احتمالات کی درجہ بندی شامل کر دی جائے، تو ہمارا واسطہ ایک ابتدائی استدلالی معاون سے ہے۔ اور اگر اسے موزوں مآخذ، حفاظتی قواعد، انسانی نظرثانی کے راستے، دستاویز بندی، اور پیروی سے جوڑ دیا جائے، تو ہمارا واسطہ ایک فیصلہ سازی کے معاون نظام سے ہے۔ ان سطحوں کے درمیان فرق لازماً انٹرفیس کی خوبصورتی یا جواب کی روانی میں ظاہر نہیں ہوتا؛ بلکہ وہ ان سوالات میں ظاہر ہوتا ہے جو نظام نے پوچھے، ان مفروضات میں جو اس نے افشا کیے، ان مآخذ میں جو اس نے جانچ کے لیے دستیاب کیے، اور ان حدود میں جنہیں عبور کرنے کی اس نے خود کو اجازت نہ دی۔ بنیادی اصول: پتے کی تصویر یہ ظاہر کر سکتی ہے کہ سوال کہاں سے شروع ہوتا ہے، مگر وہ بذاتِ خود یہ طے نہیں کرتی کہ جواب کہاں ختم ہوتا ہے؛ اور ذمہ دارانہ فیصلہ وہ ہے جو نظام کے دیکھے ہوئے کو اس سے جوڑے جو وہ سیاق کے بارے میں جانتا ہے، جو وہ مآخذ سے ثابت کر سکتا ہے، اور جو انسانی فیصلے کے تحت رہنا چاہیے۔

14۔ اس باب سے قاری کے پاس کیا رہنا چاہیے؟

اس باب سے قاری کے پاس کیا باقی رہنا چاہیے؟ زرعی مصنوعی ذہانت کے بارے میں واضح سوچنے کے لیے قاری کو الگورتھم کے نام یاد کرنے، یا ان کی تعمیر کی تفصیلات جاننے کی ضرورت نہیں۔ اہم بات چار چیزوں کے درمیان تعلق کو دیکھنا ہے: وہ سوال جس کا ہم جواب چاہتے ہیں، وہ ڈیٹا جو ہمارے پاس ہے، وہ نتیجہ جو نظام پیدا کرتا ہے، اور وہ عمل جو اس بنیاد پر کھیت میں انجام پا سکتا ہے۔ جو نظام پتے کی تصویر کا تجزیہ کرتا ہے وہ وہی کام نہیں کر رہا جو پیداوار کی پیش گوئی کرنے والا نظام کرتا ہے۔ جو نظام کسی فصل کی پانی کی ضرورت کی پیش گوئی کرتا ہے وہ وہی کام نہیں کر رہا جو منصوبہ بندی کا وہ آلہ کرتا ہے جو یہ منتخب کرتا ہے کہ پمپ کب چلانا ہے۔ اسی طرح، انتباہ جاری کرنا فیصلہ کرنے کے برابر نہیں، فیصلہ کرنا کسی عمل کو انجام دینے کے برابر نہیں، اور محض کوئی عمل انجام دے دینا بہتر زرعی نتیجے کی ضمانت نہیں دیتا۔ کسی بھی ایپلی کیشن، آلے، یا فروخت کی پیشکش کا سامنا ہو تو قاری جائزے کو سوالات کے چار گروہوں میں ترتیب دے سکتا ہے۔ اول — نظام کون سا مسئلہ حل کرنے کی کوشش کر رہا ہے؟ آغاز مقصد سے کریں، ٹیکنالوجی کے نام سے نہیں:

• نظام کس مخصوص زرعی مسئلے سے نمٹتا ہے؟
• مطلوبہ صارف کون ہے: کسان، توسیعی افسر، ویٹرنری ڈاکٹر، عملیات کا منتظم، یا محقق؟
• کیا وہ یہ بیان کرتا ہے کہ اب کیا ہو رہا ہے، یا یہ پیش گوئی کرتا ہے کہ بعد میں کیا ہو سکتا ہے؟
• کیا وہ احتمالات پیش کرتا ہے، کوئی فیصلہ تجویز کرتا ہے، یا کسی مشین پر کوئی عمل انجام دیتا ہے؟
• نتیجے کی وجہ سے کون سا فیصلہ بدلنا چاہیے؟
• کیا نتیجہ اُس وقت پہنچتا ہے جب مداخلت اب بھی مفید ہو سکتی ہے؟

کوئی کمپنی کہہ سکتی ہے کہ اس کا نظام "پودوں کی بیماریاں شناخت کرتا ہے"، مگر یہ تفصیل بہت مختلف کاموں کو چھپا سکتی ہے۔ کیا وہ صرف پتے میں کسی تبدیلی کی موجودگی کی شناخت کرتا ہے؟ کیا وہ تصویر کا موازنہ محدود تعداد میں معاملات سے کرتا ہے؟ کیا وہ ممکنہ اسباب کی درجہ بندی کرتا ہے؟ کیا وہ کوئی ماخذ فراہم کرتا ہے؟ کیا وہ کوئی علاج تجویز کرتا ہے؟ ان میں سے ہر سطح مختلف ڈیٹا، خطرات، اور ذمہ داریوں کو شامل رکھتی ہے۔ یہ بھی پوچھنا چاہیے کہ خود نتیجے کا کیا مطلب ہے۔ اگر نظام 0.82 کا عدد دکھاتا ہے، تو اس کا کیا مطلب ہے؟ کیا یہ کوئی احتمال ہے؟ مشابہت کا کوئی اسکور؟ متاثرہ رقبے کا کوئی تناسب؟ اور اگر وہ 4.7 کی پیداوار کی پیش گوئی کرتا ہے، تو اکائی کیا ہے: ٹن فی ہیکٹر، فی فدان، یا پورے فارم کے لیے؟ اور وہ کس زمانی مدت کی طرف اشارہ کر رہا ہے؟ ایسا نتیجہ جس کی اکائی، وقت، یا فیصلے سے نسبت معلوم نہ ہو، دیکھنے میں درست معلوم ہو سکتا ہے، مگر وہ ذمہ دارانہ عمل کی تائید نہیں کرتا۔ دوم — نظام کیا جانتا ہے، اور کیا نہیں جان سکتا؟ ہر ماڈل اُس ڈیٹا پر انحصار کرتا ہے جس سے اس نے سیکھا، یا ان قواعد اور مآخذ پر جو اسے فراہم کیے گئے۔ چنانچہ پوچھنا چاہیے:

• وہ کس قسم کے ڈیٹا پر تعمیر ہوا؟
• وہ کہاں سے آیا؟
• اس کے معیار کی تصدیق کس نے کی؟
• کیا وہ ان فصلوں، اقسام، موسموں، اور ماحول کی نمائندگی کرتا ہے جن میں اسے استعمال کیا جائے گا؟
• کیا اس میں ابتدائی، مخلوط، اور دشوار معاملات شامل ہیں، یا صرف واضح معاملات؟
• نظام کون سی معلومات نہیں دیکھ سکتا یا ان تک رسائی نہیں رکھتا؟
• اگر تصویر ناقص ہو، ریڈنگ نامکمل ہو، یا سینسر خراب ہو تو کیا ہوتا ہے؟
• کیا وہ اس میں فرق کرتا ہے کہ اس نے عملاً کیا ناپا، صارف نے کیا درج کیا، اور خود اس نے کیا استنباط کیا؟

پودوں کی تصویر کا کوئی ماڈل ایسی مثالوں سے سیکھ سکتا ہے جن میں سے ہر ایک ماہر کی تصدیق شدہ حوالہ جاتی درجہ بندی سے منسلک ہو۔ پیداوار کا کوئی ماڈل ایسے ریکارڈوں سے سیکھ سکتا ہے جو برداشت کے بعد ناپی گئی حوالہ جاتی اقدار سے منسلک ہوں۔ اگر وہ حوالہ جاتی درجہ بندیاں یا پیمائشیں غیر درست ہوں، تو غلطی خود عملِ تعلم میں داخل ہو جاتی ہے۔ نہ ہی تربیتی ڈیٹا اور فارم کے ماحول کے درمیان مشابہت کوئی ثانوی تفصیل ہے۔ ایسا ماڈل جو کسی لیبارٹری میں الگ الگ پتوں کی تصاویر سے تربیت پایا ہو، کسی ایسے کھیت میں دشواری کا شکار ہو سکتا ہے جہاں پتے ایک دوسرے پر چڑھے ہوں اور روشنی بدلتی رہے۔ ایسا نظام جو باقاعدہ سینسر پوشش والے بڑے فارموں پر تربیت پایا ہو، ممکن ہے ایسی چھوٹی زرعی ملکیت پر اپنی کارکردگی برقرار نہ رکھ سکے جو وقفے وقفے سے ہونے والی پیمائشوں پر انحصار کرتی ہے۔ اہم سوال صرف یہ نہیں کہ "نظام نے کیا دیکھا؟" بلکہ یہ بھی ہے: وہ کیا نہیں دیکھ سکتا، جبکہ فیصلہ اسی پر منحصر ہے؟ تصویر ہمیشہ جڑوں کی حالت ظاہر نہیں کرتی، وہ بذاتِ خود آبپاشی اور کھاد کی تاریخ کی وضاحت نہیں کرتی، اور نہ ہی کسی مرض پیدا کرنے والے عامل کی موجودگی ثابت کرتی ہے۔ کسی ایک نقطے پر نمی کی ریڈنگ لازماً پورے قطاع کو بیان نہیں کرتی۔ اور کوئی ڈیجیٹل ریکارڈ ہمیشہ یہ نہیں دکھاتا کہ ریکارڈ کیا گیا عمل واقعی انجام دیا گیا تھا یا نہیں۔ سوم — ہمیں کیسے معلوم ہو کہ نظام واقعی کام کرتا ہے؟ یہ کافی نہیں کہ کوئی مصنوع کوئی بلند فیصد ظاہر کرے یا کوئی کامیاب تجربہ پیش کرے۔ پوچھنا چاہیے:

• نظام کا موازنہ کس چیز سے کیا گیا؟
• کیا اس نے اُس طریقے سے بہتر کارکردگی دکھائی جو اس وقت زیرِ استعمال ہے، یا محض کسی کمزور خط اساس سے؟
• کیا اسے ایسے فارموں، موسموں، یا آلات پر جانچا گیا جو اس کی تربیت کا حصہ نہیں تھے؟
• اس کام میں کس قسم کی غلطی زیادہ سنگین ہے؟
• وہ غلطی کتنی بار پیش آئی؟
• کیا نتائج ہر اہم معاملے کے لیے پیش کیے گئے، یا مجموعی اوسط کے اندر چھپا دیے گئے؟
• کیا صرف ماڈل کو کامیاب دکھایا گیا، یا پورے نظام کو جانچا گیا؟
• کیا فیصلے اور زرعی نتیجے پر اثر کے شواہد موجود ہیں، یا صرف پیش گوئی کی درستی پر؟

وہ طریقہ جو اس وقت زیرِ استعمال ہے، یا وہ سادہ ترین حقیقت پسندانہ اصول جس سے ہم نئے نظام کا موازنہ کرتے ہیں، موازنے کا خط اساس یا 'خط اساس' کہلاتا ہے۔ وہ خط اساس کسی ماہر کا معائنہ ہو سکتا ہے، پچھلے موسموں کی اوسط، مقامی طور پر متعین کردہ آبپاشی کا شیڈول، یا کوئی پرانا نظام جو پہلے ہی زیرِ استعمال ہے۔ سوال یہ نہیں کہ ماڈل نے کچھ نہ ہونے کے مقابلے میں بہتر کارکردگی دکھائی، بلکہ یہ ہے: کیا اس نے اُس حقیقت پسندانہ طریقے سے آگے کوئی قدر بڑھائی جو پہلے ہی دستیاب ہے، اور کیا وہ قدر اس کے استعمال کی لاگت کے قابل ہے؟ جانچ کو استعمال کے حقیقی حالات سے بھی مشابہ ہونا چاہیے۔ اگر ایک ہی پودے کی تصاویر، یا آپس میں بہت ملتی جلتی متواتر تصاویر، تربیتی ڈیٹا اور جانچ کے ڈیٹا دونوں میں داخل ہو جائیں، تو نتیجہ شاندار دکھائی دے سکتا ہے کیونکہ ماڈل عملاً جانچ سے ملتی جلتی کوئی چیز پہلے ہی دیکھ چکا ہوتا ہے۔ یہ ڈیٹا کے رساؤ کی ایک صورت ہے: معلومات یا قریبی متعلقہ مثالیں جانچ کے مجموعے تک پہنچ جانا، حالانکہ انہیں اس سے الگ رہنا چاہیے تھا۔ شواہد کی تین اقسام میں فرق کرنا بھی ضروری ہے:

1. ماڈل کی کارکردگی کے شواہد:

یہ ظاہر کرتے ہیں کہ ماڈل نے کسی مخصوص جانچ میں تصاویر کی درجہ بندی یا اقدار کی پیش گوئی اچھی طرح کی۔

2. نظام کی کارکردگی کے شواہد:

یہ ظاہر کرتے ہیں کہ ڈیٹا کا جمع کرنا، معیار کی جانچ، تجزیہ، نتیجے کی پیشکش، ترسیل، اور عمل درآمد حقیقی دنیا کے حالات میں مل کر کام کرتے ہیں۔

3. زرعی اثر کے شواہد:

یہ ظاہر کرتے ہیں کہ نظام کے استعمال سے بہتر فیصلہ ہوا، نقصان کم ہوا، کوئی وسیلہ بچا، یا کھیت پر کوئی نتیجہ بہتر ہوا۔

اور پہلی قسم خود بخود دوسری دونوں کو ثابت نہیں کرتی۔ ممکن ہے پیش گوئی درست ہو، مگر انتباہ دیر سے پہنچے۔ یا ممکن ہے وہ وقت پر پہنچے، مگر صارف کے پاس وہ وسیلہ نہ ہو جو سفارش پر عمل کے لیے درکار ہے۔ اور ممکن ہے فیصلے پر عمل بھی ہو جائے، مگر اس کا اثر کسی ایسے عامل کی وجہ سے مختلف ہو جسے نظام نے ملحوظ نہ رکھا ہو۔ چوتھا — جب نظام کو معلوم نہ ہو، یا جب وہ ناکام ہو جائے، تو کیا ہوتا ہے؟ ایک ذمہ دار نظام یوں برتاؤ نہیں کرتا جیسے تمام معاملات مانوس ہوں، تمام ڈیٹا مکمل ہو، اور تمام آلات ہمیشہ کام کرتے ہوں۔ اس لیے ہمیں پوچھنا چاہیے:

• کیا وہ معاملہ مبہم ہونے پر واضح کرتا ہے کہ شواہد ناکافی ہیں؟
• کیا وہ کسی قطعی عدد کے بجائے کوئی حدود یا اعتماد کا درجہ فراہم کرتا ہے؟
• کیا وہ اضافی معلومات طلب کر سکتا ہے؟
• کیا وہ کافی بنیاد نہ ہونے پر تشخیص یا سفارش کرنے سے گریز کر سکتا ہے؟
• اگر سینسر، رابطہ، یا بجلی کی فراہمی منقطع ہو جائے تو وہ کیا کرتا ہے؟
• کیا وہ کسی محفوظ حالت میں چلا جاتا ہے، یا پرانے ڈیٹا کی بنیاد پر کام جاری رکھتا ہے؟
• غیر حل شدہ معاملات کا جائزہ کون لیتا ہے؟
• عمل درآمد روکنے یا اسے منسوخ کرنے کا اختیار کس کے پاس ہے؟
• ٹیم کو کیسے پتہ چلتا ہے کہ خریداری یا تنصیب کے بعد کارکردگی گر گئی ہے؟
• تجدیدات اور نئے ورژن کی منظوری کون دیتا ہے؟

غیر یقینی صورت حال کا مطلب یہ ہے کہ شواہد تمام نتائج کی یکساں قوت سے تائید نہیں کرتے۔ ممکن ہے تصویر واضح ہو اور اس سے مشابہ ہو جس سے ماڈل نے سیکھا، یا ممکن ہے وہ نامکمل ہو اور کسی ایسے معاملے کی عکاسی کرے جو اس نے پہلے نہیں دیکھا۔ ممکن ہے سینسر آپس میں متفق ہوں، یا ان کی ریڈنگز میں تضاد ہو۔ رہا گریز، تو اس کا مطلب یہ ہے کہ نظام اپنے آپ کو ایسا فیصلہ جاری کرنے پر مجبور نہیں کرتا جس کی شواہد اجازت نہ دیتے ہوں۔ وہ کہہ سکتا ہے: "موجودہ ڈیٹا حالت کو محفوظ طریقے سے متعین کرنے کے لیے ناکافی ہے۔ ایک اضافی تصویر بھیجیں، سینسر کا معائنہ کریں، یا معاملہ کسی ماہر کی طرف بھیجیں۔" اگر یہ درست جگہ استعمال ہو تو یہ کمزوری کی علامت نہیں۔ ایسا جواب جو اپنی حدود بتائے اور اگلا قدم متعین کرے، اُس قطعی جواب سے زیادہ مفید ہو سکتا ہے جس کی تائید کافی شواہد نہ کرتے ہوں۔ لیکن گریز بھی توازن کا متقاضی ہے۔ ایسا نظام جو زیادہ تر معاملات میں گریز کرے شاید کم ہی مفید ہو، اور ایسا نظام جو کبھی گریز نہ کرے خطرناک ہو سکتا ہے۔ ضرورت اس بات کی ہے کہ وہ معاملات متعین کیے جائیں جن میں اسے جواب دینا چاہیے، وہ معاملات جن میں اسے اضافی معلومات طلب کرنی چاہئیں، اور وہ معاملات جن میں اختیار کسی اہل انسان کو منتقل ہو جاتا ہے۔ جب ڈیٹا یا رابطہ ناکام ہو جائے، تو یہ کافی نہیں کہ تکنیکی دستور یہ کہہ دے کہ نظام "آف لائن عمل کی سہولت دیتا ہے"۔ ہمیں یہ جاننا ہوگا کہ درحقیقت کیا دستیاب رہتا ہے، ڈیٹا آخری بار کب تجدید ہوا، کیا صارف کسی زندہ ریڈنگ اور کسی پرانی ریڈنگ میں فرق کر سکتا ہے، اور دستی عمل کی محفوظ حالت کی طرف کیسے لوٹا جائے۔ یہ سوالات جدت کے مخالف نہیں اوپر دیے گئے سوالات شاید بہت زیادہ معلوم ہوں، مگر ان کا مقصد ٹیکنالوجی میں رکاوٹ ڈالنا یا اسے مسترد کرنا نہیں۔ یہ جدت کو کسی پُرجوش مظاہرے سے ایسے آلے تک لے جانے میں مدد دیتے ہیں جس پر اعتماد کیا جا سکے، جسے استعمال کیا جا سکے، اور جس کا جائزہ لیا جا سکے۔ ایک پختہ ٹیکنالوجی یہ وضاحت کر سکتی ہے:

• وہ کام جو وہ انجام دیتی ہے۔
• وہ ڈیٹا جس پر وہ انحصار کرتی ہے۔
• وہ حالات جن میں اسے جانچا گیا۔
• غلطیوں کی وہ اقسام جو وہ کرتی ہے۔
• اس نتیجے کی حدود جو وہ پیدا کرتی ہے۔
• ڈیٹا غائب ہونے یا آلات کے ناکام ہونے پر کیا ہوتا ہے۔
• آخری فیصلہ کس کا ہے۔
• استعمال شروع ہونے کے بعد کارکردگی کی نگرانی کیسے کی جاتی ہے۔

لیکن وہ ٹیکنالوجی جو ان سوالات کو کسی مشہور ماڈل کے نام، کسی عمومی فیصد، یا کسی خیرہ کن انٹرفیس کے پیچھے چھپا دے، اسے ابھی پختگی درکار ہے، خواہ اس کی پیشکش کتنی ہی رواں ہو۔ اعتماد سوالات کی غیر موجودگی سے پیدا نہیں ہوتا، بلکہ نظام اور اس کے ذمہ دار فریق کی اس صلاحیت سے پیدا ہوتا ہے کہ وہ واضح شواہد کے ساتھ ان کا جواب دے سکیں۔

باب کا خلاصہ

کوئی ایک ایسا طریقہ نہیں جو تمام زرعی مسائل کے لیے بہترین ہو، اور نہ ہی مصنوعی ذہانت کے طریقے کسی ایسی سیڑھی پر آگے بڑھتے ہیں جو لازماً سب سے بڑے یا سب سے نئے ماڈل پر ختم ہوتی ہو۔ ہر طریقے کے پاس ایک ایسی نوعیت کا سوال ہے جسے وہ اچھی طرح نمٹاتا ہے، ایک ایسی نوعیت کا ڈیٹا ہے جس کی اسے ضرورت ہوتی ہے، اور ایسی حدود ہیں جنہیں سمجھنا چاہیے۔ باب نے جو کچھ پیش کیا ہے، اسے اُس فعل کے مطابق ترتیب دیا جا سکتا ہے جو طریقہ انجام دیتا ہے۔ وہ طریقے جو معلوم نتائج والی مثالوں سے سیکھتے ہیں زیر نگرانی تعلم میں ماڈل مدخل اور اس سے وابستہ حوالہ جاتی نتیجے کے درمیان تعلق سیکھتا ہے۔ مداخل پتوں کی تصاویر ہو سکتی ہیں، اور حوالہ جاتی نتائج وہ حالتیں ہو سکتی ہیں جن کی تصدیق کسی ماہر نے کی ہو۔ یا مداخل موسم، مٹی، اور انتظام کا ڈیٹا ہو سکتے ہیں، اور حوالہ جاتی نتائج وہ پیداواری اقدار ہو سکتی ہیں جو برداشت کے بعد ناپی گئیں۔ اس طریقے کی قوت یہ ہے کہ وہ کسی نئے نتیجے کی پیش گوئی کے لیے پچھلی مثالیں استعمال کرتا ہے۔ اس کی بنیادی حد یہ ہے کہ وہ اُس طرز سے سیکھتا ہے جس طرح وہ مثالیں تشکیل دی گئی تھیں، بشمول ان کی غلطیوں، تعصبات، اور نمائندگی کی تنگی کے۔ رہا نیم زیر نگرانی تعلم، تو وہ کسی ماہر کے جانچے ہوئے محدود تعداد میں مثالوں سے استفادہ کرتا ہے، ساتھ ہی ایسی تصاویر یا ریکارڈوں کی بڑی تعداد سے جن کے نتائج ابھی تک متعین نہیں ہوئے۔ اس سے جانچ کا بوجھ کم ہو سکتا ہے، مگر یہ کمزور دستاویزی مثالوں یا ان کے درمیان محدود تنوع کی تلافی نہیں کرتا۔ وہ طریقے جو ہر مثال کے لیے تیار جواب کے بغیر نمونے تلاش کرتے ہیں بلا نگرانی تعلم میں نظام ڈیٹا کے اندر مشابہتیں اور اختلافات تلاش کرتا ہے۔ وہ کھیت کو ایسے علاقوں میں تقسیم کر سکتا ہے جن کی نمی یا پیداوار ملتی جلتی ہو، یا ایسے ریکارڈ شناخت کر سکتا ہے جو معمول کے نمونے سے ہٹتے ہوں۔ لیکن نظام کا دریافت کردہ کوئی خوشہ، بجائے خود، کوئی زرعی تشخیص نہیں۔ ممکن ہے دو علاقے مختلف اسباب کی وجہ سے حسابی اعتبار سے ملتے جلتے ہوں۔ الگورتھم کا کردار کسی ایسے نمونے کو ظاہر کرنا ہے جو معائنے کا مستحق ہو؛ سبب کی تعبیر کے لیے کھیت کا سیاق، معائنہ، اور مہارت درکار ہے۔ بے قاعدگی کی شناخت بہت سی ایپلی کیشنز میں اسی دائرے میں آتی ہے۔ نظام کسی ایسے سینسر کی طرف توجہ دلا سکتا ہے جو بھٹکنے لگا ہے، کسی ایسے جانور کی طرف جس کی سرگرمی بدل گئی ہے، یا پانی کے ایسے استعمال کی طرف جو معمول کی حد سے باہر نکل گیا ہے۔ لیکن یہ خود بخود ثابت نہیں کرتا کہ کوئی بیماری یا خرابی واقع ہوئی ہے۔ وہ طریقے جو تصاویر اور وقت کے ساتھ تبدیلی کا تجزیہ کرتے ہیں کمپیوٹر وژن کسی تصویر یا ویڈیو کو استعمال کرتے ہوئے کسی حالت کی درجہ بندی کرتا ہے، کسی شے کا مقام متعین کرتا ہے، متاثرہ علاقے کی حدود کا خاکہ بناتا ہے، یا متواتر فریموں کے آر پار کسی شے کا سراغ رکھتا ہے۔ لیکن کسی داغ کو دیکھ لینے کا مطلب اس کے سبب کو جان لینا نہیں، اور کسی جڑی بوٹی کا مقام متعین کر لینے کا مطلب یہ نہیں کہ مشین اسے محفوظ طریقے سے نکال سکتی ہے۔ وژن کا کوئی نتیجہ کسی مکمل فیصلے کے بجائے استنباط یا کنٹرول کے کسی اگلے مرحلے کا مدخل ہو سکتا ہے۔ رہے وہ طریقے جو وقت کے ساتھ تبدیلی کا تجزیہ کرتے ہیں، تو وہ ریڈنگز کے سلسلوں کا جائزہ لیتے ہیں: نمی کیسے بدلی؟ کیا جانور کی سرگرمی بڑھ رہی ہے یا گھٹ رہی ہے؟ پیداوار یا پانی کی طلب میں متوقع رجحان کیا ہے؟ یہ طریقے موسمی نوعیت، بدلتے حالات، پیمائش میں خلا، اور اس ضرورت پر توجہ کے متقاضی ہیں کہ یہ فرض نہ کر لیا جائے کہ گزشتہ نمونہ ہمیشہ جاری رہے گا۔ وہ طریقے جو احتمال کی نمائندگی کرتے ہیں اور پیش گوئی کو مداخلت کے اثر سے الگ کرتے ہیں احتمالی ماڈل غیر یقینی صورت حال کو چھپانے کے بجائے اس کے اظہار میں مدد دیتے ہیں۔ وہ کئی ممکنہ تشریحات کی درجہ بندی کر سکتے ہیں، متوقع پیداوار کے لیے کوئی حدود پیش کر سکتے ہیں، یا نئی معلومات آنے پر اپنے احتمالات کی تجدید کر سکتے ہیں۔ لیکن احتمال محض اس لیے مفید نہیں کہ وہ فیصد کی صورت میں ظاہر ہوتا ہے؛ اعتماد کے نمبروں کی قابل اعتمادیت جانچنی ہوگی، اور یہ دکھانا ہوگا کہ آیا معاملہ ان ماحول سے مشابہ ہے جن میں نظام کو جانچا گیا۔ رہا سببی استنباط، تو وہ پیش گوئی سے زیادہ مشکل سوال سے نمٹتا ہے۔ پیش گوئی پوچھتی ہے، 'کیا ہونے کی توقع ہے؟' جبکہ سببی سوال پوچھتا ہے، 'اگر ہم مداخلت کریں تو کیا بدلنے کی توقع ہے؟' ممکن ہے کوئی ماڈل مٹی اور انتظام کے ڈیٹا سے پیداوار کی پیش گوئی میں کامیاب ہو، مگر یہ ثابت نہ کرے کہ کسی ایک مدخل میں اضافہ پیداوار بڑھائے گا۔ کسی تعلق کے مشاہدے سے کسی مداخلت کی سفارش تک جانے کے لیے مضبوط تر شواہد، مناسب ڈیزائن، زرعی علم، اور ماحولیاتی و ضابطہ جاتی حدود درکار ہیں۔ وہ طریقے جو متبادلات کا موازنہ کرتے ہیں یا متواتر اعمال سے نمٹتے ہیں ریاضیاتی منصوبہ بندی اور بہتر سازی واضح قیود کے اندر وسائل کی تقسیم اور منصوبوں کے درمیان تبادلوں کے تول تول میں مدد دیتی ہیں۔ وہ پانی کی محدود مقدار کو کئی شعبوں میں تقسیم کر سکتی ہیں، اور ساتھ ہی نشو و نما کے مرحلے، پمپ کی استعداد، توانائی، اور عمل کے اوقات کو ملحوظ رکھ سکتی ہیں۔ لیکن نتیجے میں آنے والا منصوبہ اُس مقصد اور ان قیود کی عکاسی کرتا ہے جو ڈیزائنر نے متعین کیں۔ اگر مقصد پودوں کی صحت یا شعبوں کے درمیان انصاف کو نظرانداز کر دے، تو آلہ ایسا منصوبہ پیدا کر سکتا ہے جو حسابی اعتبار سے کامیاب مگر زرعی اعتبار سے ناقابلِ قبول ہو۔ رہا تقویتی تعلم، تو وہ اعمال کے ایسے سلسلے سے نمٹتا ہے جو ماحول کی حالت بدلتے ہیں۔ نظام کوئی عمل منتخب کر سکتا ہے، نتیجے کا مشاہدہ کر سکتا ہے، اور پھر طویل مدتی مقصد کو بہتر بنانے کے لیے اپنے انتخاب ایڈجسٹ کر سکتا ہے۔ تاہم اس قسم کے تعلم کے لیے اعمال کے نتائج کی کھوج درکار ہوتی ہے، اور نظام کو یہ سیکھنے کے لیے کھیت میں خطرناک اعمال آزمانے نہیں چاہئیں کہ وہ غیر محفوظ ہیں۔ اس لیے اسے شبیہ سازی، بتدریج جانچ، صریح حفاظتی قیود، اور اسے روکنے کے لیے انسانی اختیار درکار ہے۔ وہ طریقے جو علم کے ساتھ مکالمے کا دروازہ کھولتے ہیں لسانی ماڈل متون کا خلاصہ کر سکتے ہیں، ان کا ترجمہ کر سکتے ہیں، معلومات نکال سکتے ہیں، اور فطری زبان میں جواب مرتب کر سکتے ہیں۔ وہ علم تک رسائی آسان بناتے ہیں، کیونکہ کسان پیچیدہ فہرستوں میں بھٹکنے کے بجائے اپنی زبان میں پوچھ سکتا ہے۔ لیکن کسی جواب کی روانی اس کی درستی ثابت نہیں کرتی۔ ممکن ہے کوئی ماڈل کافی تائید کے بغیر کوئی قائل کن بیان پیدا کر دے۔ اسی لیے اسے ایسے سلسلے سے جوڑا جا سکتا ہے جو جواب مرتب کرنے سے پہلے مستند مآخذ میں تلاش کرے اور متعلقہ اقتباسات بازیافت کرے۔ بازیافت خود بخود جواب کی درستی کی ضمانت نہیں دیتی؛ ممکن ہے نظام کوئی درست ماخذ پا لے جو اس کے باوجود اُس فصل، ملک، یا تاریخ کے لیے موزوں نہ ہو۔ جواب کو اس میں فرق کرنا چاہیے کہ ماخذ میں کیا آیا ہے، نظام نے کیا استنباط کیا، اور کس چیز کے لیے کسی ماہر کی رائے درکار ہے۔ وہ اوزار جو نتیجے کا جائزہ لینے میں ہماری مدد کرتے ہیں قابل تشریح مصنوعی ذہانت کے اوزار یہ دکھانے کی کوشش کرتے ہیں کہ ماڈل کے نتیجے پر کس چیز نے اثر ڈالا: تصویر کے حصے، پیش گوئی سے وابستہ ریڈنگز، ملتی جلتی مثالیں، یا کوئی ایسی تبدیلی جو ماڈل کے نتیجے کو بدل سکتی تھی۔ یہ اوزار ڈویلپر کو کوئی غلطی دریافت کرنے میں مدد دے سکتے ہیں، یا ماہر کو کسی نتیجے پر نظرثانی میں معاون ہو سکتے ہیں۔ لیکن یہ وہ وضاحت کرتے ہیں جو ماڈل نے استعمال کیا، اور لازماً یہ ثابت نہیں کرتے کہ کھیت میں اُس مظہر کا سبب کیا تھا۔ کوئی قائل کن وضاحت کسی غلط نتیجے کو درست نہیں بنا دیتی، اور نہ ہی کمزور ڈیٹا یا بیرونی جانچ کی عدم موجودگی کی تلافی کرتی ہے۔ طریقہ ایک بڑے سلسلے کا حصہ ہے ان میں سے کوئی طریقہ خلا میں کام نہیں کرتا۔ زرعی نظام عموماً ایک ایسے سلسلے سے گزرتا ہے جو حقیقت سے شروع ہوتا ہے اور اس پر ایک نئے اثر پر ختم ہوتا ہے: کھیت کی حقیقت ← پیمائش یا تصویر یا ریکارڈ ← ڈیٹا کے معیار کی جانچ ← تخمینہ یا پیش گوئی ← اصول اور سیاق ← فیصلہ ← عمل درآمد ← زرعی اثر ← پیروی یہ سلسلہ کسی بھی کڑی پر ناکام ہو سکتا ہے:

• ہو سکتا ہے سینسر کوئی غلط ریڈنگ دے یا ایسی ریڈنگ دے جو غیر متوقع اکائی میں ہو۔
• ہو سکتا ہے کسی تصویر کو کسی غیر درست حوالہ جاتی نتیجے سے منسلک کر دیا گیا ہو۔
• ہو سکتا ہے ایک ہی پودے کی تصاویر تربیت اور جانچ دونوں میں شامل ہو جائیں، جس سے نتیجہ اپنی حقیقی تعمیم پذیر صلاحیت سے بہتر دکھائی دے۔
• ہو سکتا ہے ماڈل ایسے ماحول سے سیکھے جو اُس فارم سے مشابہ نہ ہو جس میں اسے کام کرنا ہے۔
• ہو سکتا ہے پیش گوئی درست ہو، مگر فیصلے کا اصول اس کے معنی کو غلط طور پر منتقل کرے۔
• ہو سکتا ہے کوئی ایسا حسابی ہدف منتخب کر لیا جائے جو کسی زرعی یا ماحولیاتی قدغن کو نظر انداز کر دے۔
• ہو سکتا ہے نظام کوئی ایسا ماخذ بازیافت کرے جو اُس فصل یا اُس خطے سے تعلق نہ رکھتا ہو۔
• ہو سکتا ہے لسانی جواب اُن شواہد سے زیادہ قابل اعتماد دکھائی دے جن پر وہ مبنی ہے۔
• ہو سکتا ہے انتباہ اُس وقت پہنچے جب مداخلت کا موقع گزر چکا ہو۔
• ہو سکتا ہے درست حکم جاری ہو، مگر آلہ اس پر عمل کرنے میں ناکام رہے۔
• ہو سکتا ہے صارف کے پاس وہ وسائل یا اختیار ہی نہ ہوں جو سفارش پر عمل کے لیے درکار ہیں۔
• ہو سکتا ہے حقیقت وقت کے ساتھ بدل جائے جبکہ نظام یوں چلتا رہے گویا حالات بدلے ہی نہیں۔

اسی وجہ سے، دو الگورتھموں کا موازنہ ہمیشہ کافی نہیں ہوتا۔ ممکن ہے ان کے درمیان فرق معمولی ہو، جبکہ سینسر کے معیار، انٹرفیس کی وضاحت، عمل درآمد کی سلامتی، یا ٹیم کی جواب دینے کی استعداد کے اثرات کہیں زیادہ بڑے ہوں۔ وہ معاہدہ جو ٹیکنالوجی کو فیصلے سے جوڑتا ہے اس باب کا پیغام درج ذیل بیان میں سمیٹا جا سکتا ہے: تکنیکی طریقہ ایک واضح معاہدے کا حصہ ہے جو سوال، ڈیٹا، ماحصل، عمل، اور ذمہ داری کو باہم جوڑتا ہے۔ اس سے مراد کوئی قانونی معاہدہ نہیں، بلکہ ایک فکری اور عملی اتفاق ہے جس کی شرائط کا واضح ہونا ضروری ہے:

1. سوال: ہم کون سا مخصوص مسئلہ حل کرنے کی کوشش کر رہے ہیں؟
2. ڈیٹا: کون سے شواہد ہمیں اس کا جواب دینے کے قابل بناتے ہیں، اور ان کے معیار اور نمائندگی کی حدود کیا ہیں؟
3. ماحصل: نظام کیا پیدا کرے گا، کن اکائیوں میں، اور اعتماد کے کس درجے کے ساتھ؟
4. غلطی: یہ کن صورتوں میں ناکام ہو سکتا ہے، اور کون سی غلطی سب سے زیادہ نقصان دہ ہو گی؟
5. عمل: اُس ماحصل کی بنیاد پر کون سا فیصلہ یا اقدام کیا جا سکتا ہے؟
6. ذمہ داری: کون نظرثانی کرتا ہے، منظوری دیتا ہے، نافذ کرتا ہے، روکتا ہے، اور اثر کی نگرانی کرتا ہے؟

اگر ان نکات کو سمجھنے سے پہلے الگورتھم منتخب کر لیا جائے، تو وہ مسئلے کی تلاش میں ایک تکنیکی نام بن کر رہ جاتا ہے۔ لیکن اگر ڈیزائن کا آغاز درکار فیصلے، دستیاب ڈیٹا، غلطی کے نتائج، موازنے کی حقیقت پسندانہ بنیاد، اور عملیاتی قدغنوں سے ہو، تو الگورتھم ایک بڑے نظام کے اندر ایک باریک آلہ بن سکتا ہے جس کی قیادت، نظرثانی، اور جواب دہی انسان کرتے ہیں۔ زرعی مصنوعی ذہانت کی حقیقی سمجھ اُس وقت شروع نہیں ہوتی جب ہم ماڈلوں کے نام یاد کر لیں، بلکہ اُس وقت جب ہم یہ پوچھ سکیں:

• نظام نے دراصل کیا دیکھا؟
• اس نے کیا نتیجہ اخذ کیا؟
• وہ کیا جاننے سے قاصر رہا؟
• نتیجے کی تائید کون سے شواہد کرتے ہیں؟
• یہ کس عمل کی طرف لے جائے گا؟
• اُس عمل کی ذمہ داری کون اٹھاتا ہے؟
• اگر نتیجہ غلط ہوا تو کیا ہو گا؟

ہمیں مصنوعی ذہانت کی رفتار سے اُس وقت فائدہ ہوتا ہے جب کام واضح ہو، ڈیٹا موزوں ہو، اور حدود صریح ہوں۔ ہم رک کر کوئی پیمائش، کوئی ماخذ، یا کوئی ماہر تلاش کرتے ہیں جب نتیجہ اُس حد سے آگے نکل جائے جو شواہد ثابت کر سکتے ہیں۔ تالیف: صرف یہ نہ پوچھیں کہ "کیا یہ نظام ذہین ہے؟" بلکہ یہ پوچھیں کہ "یہ کیا جانتا ہے، اس نے یہ کیسے جانا، کیا نہیں جانتا، اور اگر ہم اس پر بھروسا کریں تو کھیت میں کیا ہو گا؟"

شواہد اور انحصار کی حدود سے متعلق نوٹس

دونوں جائزے [SRC001] اور [SRC002] زرعی اور غذائی شعبوں میں مصنوعی ذہانت اور کمپیوٹر وژن کی ایپلی کیشنز کی وسعت کے عمومی بیان کی تائید کرتے ہیں، بغیر یہ مفہوم دیے کہ ہر ایپلی کیشن تمام فصلوں اور ماحول کے لیے موزوں ہے۔ [SRC035] اس نقطۂ نظر کی تائید کرتا ہے کہ ڈیجیٹل زرعی نظام کو ایک باہم مربوط سلسلے کے طور پر دیکھا جائے جس میں حسیات، ڈیٹا، سیاق و سباق، فیصلہ، اور عمل شامل ہیں، اور اسی سے یہ جواز ملتا ہے کہ نظام کی مجموعی حیثیت میں تشخیص کی جائے، نہ کہ صرف ماڈل کے ماحصل پر انحصار کیا جائے۔ [SRC006] کو پیداوار کی پیش گوئی اور کسی مخصوص تحقیقی ماحول کے اندر قابل تشریحیت کے اوزار کے استعمال کی ایک محدود مثال کے طور پر استعمال کیا گیا ہے۔ اُس ماحول سے حاصل ہونے والے عوامل کی درجہ بندی یا نتائج کو عمومی سببی تعلقات یا ایسے حقائق میں تبدیل نہیں کرنا چاہیے جو ہر کھیت پر لاگو ہوں۔ [SRC009] کو جڑی بوٹیوں کی شناخت کی ٹیکنالوجی کی نسبت درست کرنے کے لیے استعمال کیا گیا ہے: اس کا تعلق سویابین کے کھیتوں سے حاصل شدہ تصاویر کے تجزیے سے ہے جس میں کنوولوشنل وژن کے طریقے استعمال ہوئے، اور یہ تقویتی تعلم پر مبنی کسی روبوٹک خاتمے کے نظام کے وجود کو ثابت نہیں کرتا۔ یہ تصحیح تصویر میں کسی شے کو دیکھنے اور اُس شے سے تعامل کرنے والی مشین کو کنٹرول کرنے کے درمیان فرق کرنے میں مدد دیتی ہے۔ نظام کے پورے دورانیۂ حیات میں خطرات، نگرانی، اور مسلسل نظرثانی کی پیش کش کے لیے رہنمائی اُس فریم ورک سے لی گئی ہے جس کا حوالہ [SRC033] میں ہے۔ رہی بات باب میں پیش کردہ مربوط تدریسی مثال، کام کو طریقے سے جوڑنے کی رہنمائی، عملی سوالات، اور کھیت کی مثالوں کی — تو یہ ایک تدریسی ادارتی تالیف ہیں جن کا مقصد پیمائش، تجزیے، فیصلے، اور عمل درآمد کے درمیان امتیازات کو واضح کرنا ہے۔ یہ مثالیں کسی نئے تجربے کے نتائج، کسی خاص نظام کی کارکردگی کا ثبوت، کوئی زرعی تشخیص، یا کسی فصل کے علاج کا نسخہ نہیں ہیں۔